論文の概要: Learning Recursive Multi-Scale Representations for Irregular Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2602.21498v1
• Date: Wed, 25 Feb 2026 02:14:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.67244
• Title: Learning Recursive Multi-Scale Representations for Irregular Multivariate Time Series Forecasting
• Title（参考訳）: 不規則な多変量時系列予測のための再帰的マルチスケール表現の学習
• Authors: Boyuan Li, Zhen Liu, Yicheng Luo, Qianli Ma,
• Abstract要約: 本稿では,不規則な多変量時系列予測のための再帰的マルチスケールモデリング手法であるReIMTSを提案する。 再サンプリングの代わりに、ReIMTSはタイムスタンプを変更せず、各サンプルを徐々に短い時間でサブサンプルに分割する。 実験では、さまざまなモデルと実世界のデータセットにわたる予測タスクにおいて、平均的なパフォーマンス改善が27.1%であることを示した。
• 参考スコア（独自算出の注目度）: 13.69840304813062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Irregular Multivariate Time Series (IMTS) are characterized by uneven intervals between consecutive timestamps, which carry sampling pattern information valuable and informative for learning temporal and variable dependencies. In addition, IMTS often exhibit diverse dependencies across multiple time scales. However, many existing multi-scale IMTS methods use resampling to obtain the coarse series, which can alter the original timestamps and disrupt the sampling pattern information. To address the challenge, we propose ReIMTS, a Recursive multi-scale modeling approach for Irregular Multivariate Time Series forecasting. Instead of resampling, ReIMTS keeps timestamps unchanged and recursively splits each sample into subsamples with progressively shorter time periods. Based on the original sampling timestamps in these long-to-short subsamples, an irregularity-aware representation fusion mechanism is proposed to capture global-to-local dependencies for accurate forecasting. Extensive experiments demonstrate an average performance improvement of 27.1\% in the forecasting task across different models and real-world datasets. Our code is available at https://github.com/Ladbaby/PyOmniTS.
• Abstract（参考訳）: 不規則多変量時系列(IMTS)は、時間的および変動的依存関係の学習に有用なサンプリングパターン情報を運ぶ連続タイムスタンプ間の不均一間隔を特徴とする。 加えて、IMTSは複数の時間スケールにまたがる様々な依存関係を示すことが多い。 しかし,既存のマルチスケールIMTS法では,サンプリングパターン情報を乱し,元のタイムスタンプを変更できる粗い系列を得るために再サンプリングが用いられている。 この課題に対処するため,不規則な多変量時系列予測のための再帰的マルチスケールモデリング手法であるReIMTSを提案する。 再サンプリングの代わりに、ReIMTSはタイムスタンプを変更せず、各サンプルを徐々に短い時間でサブサンプルに再帰的に分割する。 これらの長短サブサンプルのサンプリングタイムスタンプに基づいて,グローバルからローカルへの依存性を正確に予測するための不規則な表現融合機構を提案する。 大規模な実験では、様々なモデルと実世界のデータセットにわたる予測タスクにおいて、平均的なパフォーマンス改善が27.1\%であることを示した。 私たちのコードはhttps://github.com/Ladbaby/PyOmniTS.comで利用可能です。

関連論文リスト

• DisMS-TS: Eliminating Redundant Multi-Scale Features for Time Series Classification [14.947369878718822]
  時系列分類のための新しいエンドツーエンドのDistangled Multi-Scaleフレームワーク(DisMS-TS)を提案する。 DisMS-TSは、マルチスケール時系列における冗長な共有機能を排除し、予測性能を向上させるように設計されている。 複数のデータセットで実施された実験は、DisMS-TSの競争基準よりも優れており、精度は9.71%まで向上した。
  論文  参考訳（メタデータ） (2025-07-07T01:35:55Z)
• HyperIMTS: Hypergraph Neural Network for Irregular Multivariate Time Series Forecasting [24.29827089303662]
  不規則な多変量時系列(IMTS)は変数内の不規則な時間間隔と変数間の不整合観察によって特徴づけられる。 IMTS予測のためのハイパーグラフニューラルネットワークHyperIMTSを提案する。 実験では、計算コストの低いIMTS予測において、最先端モデル間のHyperIMTSの競合性能を示す。
  論文  参考訳（メタデータ） (2025-05-23T03:27:04Z)
• MuSiCNet: A Gradual Coarse-to-Fine Framework for Irregularly Sampled Multivariate Time Series Analysis [45.34420094525063]
  我々は、不規則性は本質的にある意味で相対的であるという新しい視点を導入する。 MuSiCNetは、3つのメインストリームタスクでSOTAと一貫して競合するISMTS分析フレームワークである。
  論文  参考訳（メタデータ） (2024-12-02T02:50:01Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• TSCMamba: Mamba Meets Multi-View Learning for Time Series Classification [13.110156202816112]
  シフト等分散のような特性を持つパターンを捉えるための新しい多視点手法を提案する。 提案手法は, スペクトル, 時間, 局所, グローバルな特徴を含む多様な特徴を統合して, TSCのリッチで相補的な文脈を得る。 提案手法では,TSCモデルよりも平均精度が4.01-6.45%,7.93%向上した。
  論文  参考訳（メタデータ） (2024-06-06T18:05:10Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• 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)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• Supervised Feature Subset Selection and Feature Ranking for Multivariate Time Series without Feature Extraction [78.84356269545157]
  MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。 MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
  論文  参考訳（メタデータ） (2020-05-01T07:46:29Z)

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。