論文の概要: TIFO: Time-Invariant Frequency Operator for Stationarity-Aware Representation Learning in Time Series

• arxiv url: http://arxiv.org/abs/2602.17122v1
• Date: Thu, 19 Feb 2026 06:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.795962
• Title: TIFO: Time-Invariant Frequency Operator for Stationarity-Aware Representation Learning in Time Series
• Title（参考訳）: TIFO:時系列の定常性を考慮した表現学習のための時間不変周波数演算子
• Authors: Xihao Piao, Zheng Chen, Lingwei Zhu, Yushun Dong, Yasuko Matsubara, Yasushi Sakurai,
• Abstract要約: 非定常時系列予測は、トレーニングデータとテストデータを生成する分布が異なるため、分布シフトの問題に悩まされる。 既存の方法は、例えば個々のサンプルから低次モーメントを除去することで依存を緩和しようとする。 本稿では、周波数スペクトル上で定常性を考慮した重み付けを学習するTIFO(Time-Invariant Frequency Operator)を提案する。
• 参考スコア（独自算出の注目度）: 30.009887153375345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nonstationary time series forecasting suffers from the distribution shift issue due to the different distributions that produce the training and test data. Existing methods attempt to alleviate the dependence by, e.g., removing low-order moments from each individual sample. These solutions fail to capture the underlying time-evolving structure across samples and do not model the complex time structure. In this paper, we aim to address the distribution shift in the frequency space by considering all possible time structures. To this end, we propose a Time-Invariant Frequency Operator (TIFO), which learns stationarity-aware weights over the frequency spectrum across the entire dataset. The weight representation highlights stationary frequency components while suppressing non-stationary ones, thereby mitigating the distribution shift issue in time series. To justify our method, we show that the Fourier transform of time series data implicitly induces eigen-decomposition in the frequency space. TIFO is a plug-and-play approach that can be seamlessly integrated into various forecasting models. Experiments demonstrate our method achieves 18 top-1 and 6 top-2 results out of 28 forecasting settings. Notably, it yields 33.3% and 55.3% improvements in average MSE on the ETTm2 dataset. In addition, TIFO reduces computational costs by 60% -70% compared to baseline methods, demonstrating strong scalability across diverse forecasting models.
• Abstract（参考訳）: 非定常時系列予測は、トレーニングデータとテストデータを生成する分布が異なるため、分布シフトの問題に悩まされる。 既存の方法は、例えば個々のサンプルから低次モーメントを除去することで、依存を緩和しようとする。 これらの解は、サンプル全体にわたる基盤となる時間進化構造を捉えず、複雑な時間構造をモデル化しない。 本稿では,全ての時間構造を考慮し,周波数空間の分布変化に対処することを目的とする。 この目的のために、データセット全体にわたる周波数スペクトルの定常性を考慮した重み付けを学習するTIFO(Time-Invariant Frequency Operator)を提案する。 重み表現は、定常周波数成分を非定常周波数成分を抑えながら強調し、時系列における分布シフト問題を緩和する。 本手法を正当化するために,時系列データのフーリエ変換は周波数空間における固有分解を暗黙的に誘導することを示す。 TIFOは様々な予測モデルにシームレスに統合できるプラグイン・アンド・プレイのアプローチである。 実験では,28個の予測設定から18個のトップ1と6個のトップ2の結果が得られた。 特に、ETTm2データセットの平均MSEは33.3%、55.3%改善されている。 さらに、TIFOはベースライン法と比較して計算コストを60%から70%削減し、多様な予測モデルにまたがる強力なスケーラビリティを示す。

関連論文リスト

• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• Bridging Time and Frequency: A Joint Modeling Framework for Irregular Multivariate Time Series Forecasting [7.6757168009144126]
  IMTS予測のための統合時間周波数モデリングフレームワークであるTFMixerを提案する。 具体的には、TFMixerは、学習可能な非均一離散フーリエ変換(NUDFT)を用いて不規則なタイムスタンプからスペクトル表現を直接抽出するグローバル周波数モジュールを組み込んでいる。 並行して、Local Time Moduleは、情報的時間的パッチを適応的に集約し、情報密度の不均衡を軽減する、クエリベースのパッチミキシングメカニズムを導入している。
  論文  参考訳（メタデータ） (2026-01-31T07:49:44Z)
• Fourier Basis Mapping: A Time-Frequency Learning Framework for Time Series Forecasting [25.304812011127257]
  本稿では,時間周波数空間におけるフーリエ基底展開とマッピングによる時間周波数特徴の統合手法を提案する。 本手法は時間的特性を保ちながら明確な周波数特徴を抽出する。 結果は、長期および短期の予測タスクにおいて、多様な実世界のデータセットで検証される。
  論文  参考訳（メタデータ） (2025-07-13T01:45:27Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• FreqMoE: Enhancing Time Series Forecasting through Frequency Decomposition Mixture of Experts [14.01018670507771]
  本稿では,時系列データを周波数帯域に分解する周波数分解混合(FreqMoE)モデルを提案する。 ゲーティング機構は、周波数特性に基づいて専門家の各出力の重要度を調整する。 FreqMoEは最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2025-01-25T08:25:52Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Deep Frequency Derivative Learning for Non-stationary Time Series Forecasting [12.989064148254936]
  非定常時系列予測のためのディープ周波数微分学習フレームワークDERITSを提案する。 具体的には、DERITSは、新しい可逆変換、すなわち周波数微分変換(FDT)に基づいて構築される。
  論文  参考訳（メタデータ） (2024-06-29T17:56:59Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)

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。