論文の概要: TFWaveFormer: Temporal-Frequency Collaborative Multi-level Wavelet Transformer for Dynamic Link Prediction
- arxiv url: http://arxiv.org/abs/2603.03963v1
- Date: Wed, 04 Mar 2026 11:47:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 21:29:15.285552
- Title: TFWaveFormer: Temporal-Frequency Collaborative Multi-level Wavelet Transformer for Dynamic Link Prediction
- Title（参考訳）: TFWaveFormer:動的リンク予測のための時間周波数協調多レベルウェーブレット変換器
- Authors: Hantong Feng, Yonggang Wu, Duxin Chen, Wenwu Yu,
- Abstract要約: 本稿では、時間周波数解析とウェーブレット分解を統合し、動的リンク予測を強化する新しいトランスフォーマーアーキテクチャTFWaveFormerを提案する。
i) 時間的およびスペクトル的表現を協調的にモデル化する時間周波数調整機構,(ii) 並列畳み込みによって多スケールの時間的パターンを適応的に抽出する学習可能なマルチレゾリューション・ウェーブレット分解モジュール,(iii) 局所的なウェーブレット特徴とグローバルな時間的依存関係を効果的に融合するハイブリッドトランスフォーマーモジュールである。
- 参考スコア（独自算出の注目度）: 13.707047958676482
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic link prediction plays a crucial role in diverse applications including social network analysis, communication forecasting, and financial modeling. While recent Transformer-based approaches have demonstrated promising results in temporal graph learning, their performance remains limited when capturing complex multi-scale temporal dynamics. In this paper, we propose TFWaveFormer, a novel Transformer architecture that integrates temporal-frequency analysis with multi-resolution wavelet decomposition to enhance dynamic link prediction. Our framework comprises three key components: (i) a temporal-frequency coordination mechanism that jointly models temporal and spectral representations, (ii) a learnable multi-resolution wavelet decomposition module that adaptively extracts multi-scale temporal patterns through parallel convolutions, replacing traditional iterative wavelet transforms, and (iii) a hybrid Transformer module that effectively fuses local wavelet features with global temporal dependencies. Extensive experiments on benchmark datasets demonstrate that TFWaveFormer achieves state-of-the-art performance, outperforming existing Transformer-based and hybrid models by significant margins across multiple metrics. The superior performance of TFWaveFormer validates the effectiveness of combining temporal-frequency analysis with wavelet decomposition in capturing complex temporal dynamics for dynamic link prediction tasks.
- Abstract（参考訳）: 動的リンク予測は、ソーシャルネットワーク分析、コミュニケーション予測、金融モデリングなど、多様なアプリケーションにおいて重要な役割を果たす。
最近のTransformerベースのアプローチは、時間グラフ学習において有望な結果を示しているが、複雑なマルチスケールの時間的ダイナミクスを捉える場合、その性能は制限されている。
本稿では、時間周波数解析と多分解能ウェーブレット分解を統合し、動的リンク予測を強化する新しいトランスフォーマアーキテクチャTFWaveFormerを提案する。
私たちのフレームワークは3つの重要なコンポーネントで構成されています。
一 時間的・スペクトル的な表現を共同でモデル化する時間的・周波数的調整機構
二 従来の反復ウェーブレット変換に代えて、並列畳み込みにより多スケールの時間パターンを適応的に抽出する学習可能なマルチレゾリューションウェーブレット分解モジュール
(iii)グローバルな時間依存性を持つローカルウェーブレット機能を効果的に融合するハイブリッドトランスフォーマーモジュール。
ベンチマークデータセットに関する大規模な実験は、TFWaveFormerが最先端のパフォーマンスを達成し、既存のTransformerベースのハイブリッドモデルよりも、複数のメトリクスで大きなマージンを達成していることを示している。
TFWaveFormerの優れた性能は、時間周波数解析とウェーブレット分解を組み合わせることで、動的リンク予測タスクの複雑な時間ダイナミクスを捉えることの有効性を検証する。
関連論文リスト
- WaveFormer: Wavelet Embedding Transformer for Biomedical Signals [1.2922946578413579]
本稿では,ウェーブレット分解を2つの重要な段階(埋め込み構造と位置符号化)で統合するトランスフォーマーアーキテクチャを提案する。
我々は、ウェーブフォーマーを、人間の活動認識と脳信号分析にまたがる8つの多様なデータセット上で評価し、シーケンスの長さは50から3000のタイムステップとチャネル数(1から144)である。
論文 参考訳（メタデータ） (2026-02-12T17:20:43Z) - 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) - AWGformer: Adaptive Wavelet-Guided Transformer for Multi-Resolution Time Series Forecasting [3.453296006042559]
時系列予測には、複数の時間スケールでパターンをキャプチャする必要がある。
本稿では,適応ウェーブレット分解と大規模アテンション機構を統合した新しいアーキテクチャであるAWGformerを紹介する。
論文 参考訳（メタデータ） (2026-01-28T09:14:22Z) - A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。
本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。
火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
論文 参考訳（メタデータ） (2025-10-11T09:59:25Z) - Wavelet-Enhanced Neural ODE and Graph Attention for Interpretable Energy Forecasting [0.0]
本稿では、連続時間ニューラル正規微分方程式(Neural ODE)とグラフアテンションを統合するニューラルネットワークフレームワークを提案する。
多様なマルチスケールの時間的ダイナミクスを捕捉し、モデル化する。
このモデルはSHAP分析により解釈可能性を高め、持続可能なエネルギー応用に適合する。
論文 参考訳（メタデータ） (2025-07-14T10:23:18Z) - 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) - Multi-scale Generative Modeling for Fast Sampling [38.570968785490514]
ウェーブレット領域では、特に高周波係数のスパース表現が独特な課題に直面している。
本稿では、低周波帯と高周波帯を扱うための異なる戦略を用いるウェーブレット領域におけるマルチスケール生成モデルを提案する。
理論的解析と実験結果により,本モデルは性能を著しく向上させ,トレーニング可能なパラメータの数,サンプリングステップ,時間を削減する。
論文 参考訳（メタデータ） (2024-11-14T11:01:45Z) - PRformer: Pyramidal Recurrent Transformer for Multivariate Time Series Forecasting [82.03373838627606]
Transformerアーキテクチャにおける自己保持機構は、時系列予測において時間順序を符号化するために位置埋め込みを必要とする。
この位置埋め込みへの依存は、トランスフォーマーの時間的シーケンスを効果的に表現する能力を制限している、と我々は主張する。
本稿では,Prepreを標準的なTransformerエンコーダと統合し,様々な実世界のデータセット上での最先端性能を示す。
論文 参考訳（メタデータ） (2024-08-20T01:56:07Z) - AdaWaveNet: Adaptive Wavelet Network for Time Series Analysis [12.994308764734761]
AdaWaveNetは、非定常時系列データのマルチスケール解析にアダプティブウェーブレット変換を利用する新しいアプローチである。
我々は、予測、計算、新たに確立された超解像タスクを含む3つのタスクにわたる10のデータセットで実験を行う。
論文 参考訳（メタデータ） (2024-05-17T23:52:33Z) - Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。
これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。
本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文 参考訳（メタデータ） (2024-04-17T02:04:10Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z)
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。