論文の概要: DualWeaver: Synergistic Feature Weaving Surrogates for Multivariate Forecasting with Univariate Time Series Foundation Models
- arxiv url: http://arxiv.org/abs/2602.22066v1
- Date: Wed, 25 Feb 2026 16:13:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-26 18:19:16.900352
- Title: DualWeaver: Synergistic Feature Weaving Surrogates for Multivariate Forecasting with Univariate Time Series Foundation Models
- Title（参考訳）: DualWeaver: 一様時系列基礎モデルを用いた多変量予測のための相乗的特徴ウィービングサロゲート
- Authors: Jinpeng Li, Zhongyi Pei, Huaze Xue, Bojian Zheng, Chen Wang, Jianmin Wang,
- Abstract要約: 学習可能で構造的に対称なサロゲート級数を用いた多変量予測にユニTSFM(Uni-TSFM)を適用するフレームワークであるDualWeaverを提案する。
さまざまな実世界のデータセットの実験では、DualWeaverは最先端の多変量予測器を精度と安定性の両方で上回っている。
- 参考スコア（独自算出の注目度）: 15.63564280210946
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Time-series foundation models (TSFMs) have achieved strong univariate forecasting through large-scale pre-training, yet effectively extending this success to multivariate forecasting remains challenging. To address this, we propose DualWeaver, a novel framework that adapts univariate TSFMs (Uni-TSFMs) for multivariate forecasting by using a pair of learnable, structurally symmetric surrogate series. Generated by a shared auxiliary feature-fusion module that captures cross-variable dependencies, these surrogates are mapped to TSFM-compatible series via the forecasting objective. The symmetric structure enables parameter-free reconstruction of final predictions directly from the surrogates, without additional parametric decoding. A theoretically grounded regularization term is further introduced to enhance robustness against adaptation collapse. Extensive experiments on diverse real-world datasets show that DualWeaver outperforms state-of-the-art multivariate forecasters in both accuracy and stability. We release the code at https://github.com/li-jinpeng/DualWeaver.
- Abstract（参考訳）: 時系列基礎モデル(TSFM)は、大規模な事前学習を通じて強力な一変量予測を達成しているが、この成功を多変量予測に効果的に拡張することは依然として困難である。
そこで本稿では,一変量TSFM(Uni-TSFM)を多変量予測に適用する新しいフレームワークであるDualWeaverを提案する。
クロス変数依存関係をキャプチャする共有機能融合モジュールによって生成され、これらのサロゲートは予測目標を介してTSFM互換シリーズにマップされる。
対称構造により、パラメトリックデコーディングを伴わずに、サロゲートから直接最終的な予測をパラメータフリーで再構築することができる。
さらに、適応崩壊に対する堅牢性を高めるために、理論的に基底化された正規化項が導入された。
多様な実世界のデータセットに対する大規模な実験により、DualWeaverは精度と安定性の両方で最先端の多変量予測器より優れていることが示されている。
コードはhttps://github.com/li-jinpeng/DualWeaver.comで公開しています。
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) - One-Shot Price Forecasting with Covariate-Guided Experts under Privacy Constraints [10.464301005723968]
そこで本稿では,トークン化と符号化の間の疎混合層を注入することにより,事前学習した予測モデルを拡張したMoEモジュールを提案する。
MoE-Encoderは、強いベースラインに比べて予測精度が大幅に向上する。
この結果から,MoE-Encoderは,基本時系列モデルに対して,スケーラブルでプライバシに配慮した拡張機能を提供することが示唆された。
論文 参考訳（メタデータ） (2026-01-17T09:13:57Z) - Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。
TSFMの新しい調停フレームワークであるSynapseを提案する。
その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-11-07T18:01:51Z) - AdaMixT: Adaptive Weighted Mixture of Multi-Scale Expert Transformers for Time Series Forecasting [15.522567372502762]
AdaMixT (Adaptive Weighted Mixture of Multi-Scale Expert Transformers) という新しいアーキテクチャを提案する。
AdaMixTは様々なパッチを導入し、汎用事前訓練モデル(GPM)とドメイン固有モデル(DSM)の両方を活用してマルチスケールの特徴抽出を行う。
気象、交通、電気、ILI、および4つのETTデータセットを含む8つの広く使用されているベンチマークに関する総合的な実験は、一貫してAdaMixTの有効性を実証している。
論文 参考訳（メタデータ） (2025-09-09T15:30:53Z) - PFformer: A Position-Free Transformer Variant for Extreme-Adaptive Multivariate Time Series Forecasting [9.511600544581425]
PFformerは、単一ターゲットのMSS予測用に設計された、位置のないトランスフォーマーベースのモデルである。
PFformerは、EFE(Enhanced Feature-based Embedding)とAEE(Auto-Encoder-based Embedding)の2つの新しい埋め込み戦略を統合している。
論文 参考訳（メタデータ） (2025-02-27T22:21:27Z) - AdaPTS: Adapting Univariate Foundation Models to Probabilistic Multivariate Time Series Forecasting [10.899510048905926]
本稿では,機能間の複雑な依存関係を管理し,予測の不確実性を定量化するアダプタを提案する。
合成データセットと実世界のデータセットの両方で実施された実験により、アダプタの有効性が確認された。
私たちのフレームワークであるAdaPTSは、アダプタをモジュール的でスケーラブルで効果的なソリューションとして位置づけています。
論文 参考訳（メタデータ） (2025-02-14T15:46:19Z) - Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための因果変換器Timer-XLを提案する。
大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
論文 参考訳（メタデータ） (2024-10-07T07:27:39Z) - 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) - CATS: Enhancing Multivariate Time Series Forecasting by Constructing
Auxiliary Time Series as Exogenous Variables [9.95711569148527]
本稿では,2次元時間・コンテキストアテンション機構のように機能する補助時間系列(CATS)を構築する手法を提案する。
基本2層をコア予測器として用いながら、CATSは最先端を達成し、従来の多変量モデルと比較して複雑性とパラメータを著しく低減する。
論文 参考訳（メタデータ） (2024-03-04T01:52:40Z) - Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。
我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。
提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
論文 参考訳（メタデータ） (2022-07-11T21:17:41Z)
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。