論文の概要: XLinear: Frequency-Enhanced MLP with CrossFilter for Robust Long-Range Forecasting

• arxiv url: http://arxiv.org/abs/2603.15645v1
• Date: Wed, 04 Mar 2026 03:07:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.33641
• Title: XLinear: Frequency-Enhanced MLP with CrossFilter for Robust Long-Range Forecasting
• Title（参考訳）: XLinear:ロバストロングレンジ予測のためのCrossFilterを用いた周波数拡張MLP
• Authors: Xiang Ao,
• Abstract要約: XLinearは長距離予測のための an-based forecaster である。 時系列を傾向成分と季節成分に分解する。 長距離特性を含むトレンドコンポーネントに対しては、拡張周波数アテンションを実現する。
• 参考スコア（独自算出の注目度）: 8.124083509364981
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasters are widely used across various domains. Among them, MLP (multi-layer perceptron)-based forecasters have been proven to be more robust to noise compared to Transformer-based forecasters. However, MLP struggles to capture complex features, resulting in limitations on capturing long-range dependencies. To address this challenge, we propose XLinear, an MLP-based forecaster for long-range forecasting. Firstly, we decompose the time series into trend and seasonal components. For the trend component which contains long-range characteristics, we design Enhanced Frequency Attention (EFA) to capture long-term dependencies by leveraging frequency-domain operations. Additionally, a CrossFilter Block is proposed for the seasonal component to maintain the model's robustness to noise, avoiding the problems of low robustness often caused by attention mechanisms. Experimental results demonstrate that XLinear achieves state-of-the-art performance on test datasets. While keeping the lightweight architecture and high robustness of MLP-based models, our forecaster outperforms other MLP-based forecasters in capturing long-range dependencies.
• Abstract（参考訳）: 時系列予測器は様々な領域で広く使われている。 MLP(multi-layer perceptron)ベースの予測器は、Transformerベースの予測器に比べてノイズに強いことが証明されている。 しかし、MLPは複雑な特徴を捉えるのに苦労し、長い範囲の依存関係をキャプチャすることに制限をもたらす。 この課題に対処するため、長距離予測のためのMLPベースの予測器であるXLinearを提案する。 まず、時系列を傾向成分と季節成分に分解する。 長距離特性を含むトレンドコンポーネントに対しては、周波数領域演算を利用して長期依存性を捕捉する拡張周波数注意(EFA)を設計する。 さらに、CrossFilter Blockは、ノイズに対するモデルのロバスト性を維持するために季節成分として提案され、注意機構によってしばしば生じる低ロバスト性の問題を回避する。 実験の結果、XLinearはテストデータセット上で最先端のパフォーマンスを達成することが示された。 MLPベースのモデルの軽量なアーキテクチャと高ロバスト性を維持しながら、予測器は他のMLPベースの予測器よりも長距離依存を捉えている。

関連論文リスト

• XLinear: A Lightweight and Accurate MLP-Based Model for Long-Term Time Series Forecasting with Exogenous Inputs [6.220315921943706]
  本研究では,MultiLayer Perceptrons上に構築された軽量時系列予測モデルであるXLinearを提案する。 XLinearは、内因性変数から派生したグローバルトークンを、変数と相互作用するための中心的なハブとして使用し、これらの信号を統合して内因性系列を予測する。
  論文  参考訳（メタデータ） (2026-01-14T07:21:29Z)
• 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)
• Introducing Spectral Attention for Long-Range Dependency in Time Series Forecasting [36.577411683455786]
  最近の線形および変圧器ベースの予測器は時系列予測において優れた性能を示している。 時系列データにおける長距離依存関係を効果的に扱うことができないという点で制約されている。 本稿では,試料間の時間的相関を保った高速かつ効果的なスペクトル注意機構を提案する。
  論文  参考訳（メタデータ） (2024-10-28T06:17:20Z)
• MixLinear: Extreme Low Resource Multivariate Time Series Forecasting with 0.1K Parameters [6.733646592789575]
  時系列予測(LTSF)は、パターンや傾向を特定するために、大量の時系列データを分析することによって、長期的な価値を予測する。 トランスフォーマーベースのモデルは高い予測精度を提供するが、ハードウェア制約のあるデバイスにデプロイするには計算集約的すぎることが多い。 資源制約のあるデバイスに特化して設計された超軽量時系列予測モデルであるMixLinearを提案する。
  論文  参考訳（メタデータ） (2024-10-02T23:04:57Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Frequency-domain MLPs are More Effective Learners in Time Series Forecasting [67.60443290781988]
  時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。 最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。 本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
  論文  参考訳（メタデータ） (2023-11-10T17:05:13Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)

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。