論文の概要: HPMixer: Hierarchical Patching for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2602.16468v1
• Date: Wed, 18 Feb 2026 13:59:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.605007
• Title: HPMixer: Hierarchical Patching for Multivariate Time Series Forecasting
• Title（参考訳）: HPMixer: 多変量時系列予測のための階層的パッチ
• Authors: Jung Min Choi, Vijaya Krishna Yalavarthi, Lars Schmidt-Thieme,
• Abstract要約: 本稿では,階層型パッチミキサー (HPMixer) を提案する。 分離周期性モデリングと構造化されたマルチスケール残差学習を統合することで、HPMixerは効果的なフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 10.068780251829606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In long-term multivariate time series forecasting, effectively capturing both periodic patterns and residual dynamics is essential. To address this within standard deep learning benchmark settings, we propose the Hierarchical Patching Mixer (HPMixer), which models periodicity and residuals in a decoupled yet complementary manner. The periodic component utilizes a learnable cycle module [7] enhanced with a nonlinear channel-wise MLP for greater expressiveness. The residual component is processed through a Learnable Stationary Wavelet Transform (LSWT) to extract stable, shift-invariant frequency-domain representations. Subsequently, a channel-mixing encoder models explicit inter-channel dependencies, while a two-level non-overlapping hierarchical patching mechanism captures coarse- and fine-scale residual variations. By integrating decoupled periodicity modeling with structured, multi-scale residual learning, HPMixer provides an effective framework. Extensive experiments on standard multivariate benchmarks demonstrate that HPMixer achieves competitive or state-of-the-art performance compared to recent baselines.
• Abstract（参考訳）: 長期多変量時系列予測では、周期パターンと残留ダイナミクスの両方を効果的に捉えることが不可欠である。 これを解決するために,階層型パッチミキサー (HPMixer, Hierarchical Patching Mixer, HPMixer) を提案する。 周期成分は、非線形チャネルワイドMLPで強化された学習可能なサイクルモジュール[7]を利用して表現性を高める。 残留成分はLearable Stationary Wavelet Transform (LSWT)を通して処理され、安定なシフト不変周波数領域表現を抽出する。 その後、チャネル混合エンコーダは明示的なチャネル間の依存関係をモデル化し、2レベルの非重複階層的パッチ機構は粗い残差と微細な残差をキャプチャする。 分離周期性モデリングと構造化されたマルチスケール残差学習を統合することで、HPMixerは効果的なフレームワークを提供する。 標準多変量ベンチマークの大規模な実験は、HPMixerが最近のベースラインと比較して競争力や最先端のパフォーマンスを達成することを示した。

関連論文リスト

• DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
  既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。 動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
  論文  参考訳（メタデータ） (2026-02-06T10:48:13Z)
• MoHETS: Long-term Time Series Forecasting with Mixture-of-Heterogeneous-Experts [0.8292000624465587]
  実世界の時系列は、グローバルな傾向、局所的な周期性、非定常的な体制を含む複雑なマルチスケール構造を示すことができる。 MoHETSはSparse Mixture-of-Heterogeneous-Expertsレイヤを統合している。 パラメータ重リニアプロジェクションヘッドを軽量な畳み込みパッチデコーダに置き換える。
  論文  参考訳（メタデータ） (2026-01-29T15:35:26Z)
• Error-Propagation-Free Learned Video Compression With Dual-Domain Progressive Temporal Alignment [92.57576987521107]
  両ドメインのプログレッシブな時間的アライメントと品質条件の混合(QCMoE)を備えた新しい統合変換フレームワークを提案する。 QCMoEは、魅力的なR-Dパフォーマンスで連続的かつ一貫したレート制御を可能にする。 実験結果から,提案手法は最先端技術と比較して,競争力のあるR-D性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-12-11T09:14:51Z)
• DPWMixer: Dual-Path Wavelet Mixer for Long-Term Time Series Forecasting [6.01829429039985]
  長期時系列予測は計算知能において重要な課題である。 本稿では,計算効率の良いDual-PathアーキテクチャDPWMixerを提案する。 8つの公開ベンチマーク実験により,本手法は最先端のベースラインよりも一貫した改善を達成できることが示された。
  論文  参考訳（メタデータ） (2025-11-30T03:12:50Z)
• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Content-aware Balanced Spectrum Encoding in Masked Modeling for Time Series Classification [25.27495694566081]
  マスクド・モデリング・スキームにおけるスペクトル空間の符号化品質を最適化する補助的コンテンツ認識バランスド・デコーダ(CBD)を提案する。 CBDは一連の基本ブロックを反復し、2つの調整されたユニットのおかげで、各ブロックは徐々にマスクされた表現を洗練させることができた。
  論文  参考訳（メタデータ） (2024-12-17T14:12:20Z)
• A Multi-Scale Decomposition MLP-Mixer for Time Series Analysis [14.40202378972828]
  そこで我々は,MSD-Mixerを提案する。MSD-Mixerは,各レイヤの入力時系列を明示的に分解し,表現することを学ぶマルチスケール分解ミクサーである。 我々は,MSD-Mixerが他の最先端のアルゴリズムよりも効率よく優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-18T13:39:07Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。