論文の概要: Decorrelating the Future: Joint Frequency Domain Learning for Spatio-temporal Forecasting

• arxiv url: http://arxiv.org/abs/2603.04418v1
• Date: Fri, 13 Feb 2026 20:42:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:08.195239
• Title: Decorrelating the Future: Joint Frequency Domain Learning for Spatio-temporal Forecasting
• Title（参考訳）: 時空間予測のための共用周波数領域学習
• Authors: Zepu Wang, Bowen Liao, Jeff, Ban,
• Abstract要約: モデル時間スペクトルの監視範囲を拡大する周波数強調学習目標を提案する。 FreSTは、統一スペクトル領域における予測と基底真理を一致させ、空間と時間の両方にわたる複雑な依存関係を効果的にデコレーションする。
• 参考スコア（独自算出の注目度）: 2.502143380601666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Standard direct forecasting models typically rely on point-wise objectives such as Mean Squared Error, which fail to capture the complex spatio-temporal dependencies inherent in graph-structured signals. While recent frequency-domain approaches such as FreDF mitigate temporal autocorrelation, they often overlook spatial and cross spatio-temporal interactions. To address this limitation, we propose FreST Loss, a frequency-enhanced spatio-temporal training objective that extends supervision to the joint spatio-temporal spectrum. By leveraging the Joint Fourier Transform (JFT), FreST Loss aligns model predictions with ground truth in a unified spectral domain, effectively decorrelating complex dependencies across both space and time. Theoretical analysis shows that this formulation reduces estimation bias associated with time-domain training objectives. Extensive experiments on six real-world datasets demonstrate that FreST Loss is model-agnostic and consistently improves state-of-the-art baselines by better capturing holistic spatio-temporal dynamics.
• Abstract（参考訳）: 標準的な直接予測モデルは、平均正方形誤差(Mean Squared Error)のような点方向の目的に依存しており、グラフ構造化信号に固有の複雑な時空間依存性を捉えることができない。 FreDFのような近年の周波数領域アプローチは時間的自己相関を緩和するが、時空間と時空間間の相互作用を見落としていることが多い。 この制限に対処するために、周波数強調時空間訓練目標であるFreST Lossを提案する。 ジョイントフーリエ変換(JFT)を利用することで、FreSTロスはモデル予測を統一スペクトル領域における基底真理と整合させ、空間と時間の両方にわたる複雑な依存関係を効果的にデコレーションする。 理論的解析により、この定式化は時間領域学習目標に関連する推定バイアスを減少させることが示された。 6つの実世界のデータセットに対する大規模な実験は、FreST Lossがモデルに依存しず、全体論的時空間のダイナミクスをよりよく捉えることによって、最先端のベースラインを一貫して改善することを示した。

関連論文リスト

• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• Parallel Complex Diffusion for Scalable Time Series Generation [50.01609741902786]
  PaCoDiは周波数領域における生成モデリングを分離するスペクトルネイティブアーキテクチャである。 本研究では,PaCoDiが生成品質と推論速度の両方において,既存のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-10T14:31:53Z)
• Time-Domain Linear Model-based Framework for Passive Acoustic Mapping of Cavitation Activity [4.219150964619931]
  パッシブ・アコースティック・マッピングにより空間マッピングと時間モニタリングが可能となる。 従来のビームフォーミング法は、基準放出開始時間がないため、軸方向分解能が限られている。 時間領域で完全に定式化された線形演奏モデルに基づくビームフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-25T17:48:04Z)
• Towards Non-Stationary Time Series Forecasting with Temporal Stabilization and Frequency Differencing [24.5925492214521]
  時系列はしばしば時間分布シフトやスペクトルの変動を含む非定常性を示す。 本稿では、時間領域と周波数領域の両方で非定常性に対処する二分岐フレームワークDTAFを提案する。
  論文  参考訳（メタデータ） (2025-11-11T13:30:38Z)
• 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)
• Frequency-Constrained Learning for Long-Term Forecasting [15.31488551912888]
  実世界の時系列は、物理法則、人間のルーチン、季節周期から生じる強い周期構造を示す。 現代の深層予測モデルは、スペクトルバイアスと周波数認識による誘導前兆の欠如により、繰り返し発生するパターンを捉えることができないことが多い。 本稿では,周期性を明示的にモデル化し,長期予測を効果的に行う手法を提案する。
  論文  参考訳（メタデータ） (2025-08-02T22:12:15Z)
• 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)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。