論文の概要: MLOW: Interpretable Low-Rank Frequency Magnitude Decomposition of Multiple Effects for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2603.18432v1
• Date: Thu, 19 Mar 2026 02:48:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.929268
• Title: MLOW: Interpretable Low-Rank Frequency Magnitude Decomposition of Multiple Effects for Time Series Forecasting
• Title（参考訳）: MLOW: 時系列予測における多重効果の解釈可能な低域周波数マグニチュード分解
• Authors: Runze Yang, Longbing Cao, Xiaoming Wu, Xin You, Kun Fang, Jianxun Li, Jie Yang,
• Abstract要約: 本稿では、新しい解釈可能な周波数ベース分解パイプラインMLOWを提案する。 MLOWはマグニチュードスペクトルの低ランクな表現を学び、支配的な傾向と季節的な影響を捉えている。 視覚解析により、MLOWは、ノイズに対して頑健な、解釈可能かつ階層的な多重効果分解を可能にすることを示した。
• 参考スコア（独自算出の注目度）: 37.357047975478515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Separating multiple effects in time series is fundamental yet challenging for time-series forecasting (TSF). However, existing TSF models cannot effectively learn interpretable multi-effect decomposition by their smoothing-based temporal techniques. Here, a new interpretable frequency-based decomposition pipeline MLOW captures the insight: a time series can be represented as a magnitude spectrum multiplied by the corresponding phase-aware basis functions, and the magnitude spectrum distribution of a time series always exhibits observable patterns for different effects. MLOW learns a low-rank representation of the magnitude spectrum to capture dominant trending and seasonal effects. We explore low-rank methods, including PCA, NMF, and Semi-NMF, and find that none can simultaneously achieve interpretable, efficient and generalizable decomposition. Thus, we propose hyperplane-nonnegative matrix factorization (Hyperplane-NMF). Further, to address the frequency (spectral) leakage restricting high-quality low-rank decomposition, MLOW enables a flexible selection of input horizons and frequency levels via a mathematical mechanism. Visual analysis demonstrates that MLOW enables interpretable and hierarchical multiple-effect decomposition, robust to noises. It can also enable plug-and-play in existing TSF backbones with remarkable performance improvement but minimal architectural modifications.
• Abstract（参考訳）: 時系列で複数の効果を分離することは、時系列予測(TSF)において基本的だが困難である。 しかし、既存のTSFモデルはスムースな時間的手法で解釈可能な多重効果分解を効果的に学べない。 ここでは、新しい解釈可能な周波数ベースの分解パイプラインMLOWが洞察を捉え、時系列は対応する位相認識基底関数によって乗算された等級スペクトルとして表現でき、時系列の等級スペクトル分布は常に異なる効果の観測可能なパターンを示す。 MLOWはマグニチュードスペクトルの低ランクな表現を学び、支配的な傾向と季節的な影響を捉えている。 我々は,PCA,NMF,Semi-NMFなどの低ランク手法を探索し,解釈可能,効率的,一般化可能な分解を同時に達成できないことを発見した。 そこで我々は超平面非負行列分解(Hyperplane-NMF)を提案する。 さらに、高品質の低ランク分解を制限する周波数(スペクトル)リークに対処するため、MLOWは数学的メカニズムを用いて入力水平線と周波数レベルを柔軟に選択できる。 視覚解析により、MLOWは、ノイズに対して頑健な、解釈可能かつ階層的な多重効果分解を可能にすることを示した。 既存のTSFバックボーンのプラグイン・アンド・プレイも可能で、パフォーマンスは著しく改善されているが、アーキテクチャの変更は最小限である。

関連論文リスト

• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• 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)
• 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)
• 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)
• FreEformer: Frequency Enhanced Transformer for Multivariate Time Series Forecasting [17.738942892605234]
  本稿は,textbfFrequency textbfEnhanced Transtextbfformerを利用した,シンプルで効果的なモデルである textbfFreEformerを提案する。 実験により、FreEformerは18の現実世界のベンチマークで最先端のモデルより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） (2025-01-23T08:53:45Z)
• MMFNet: Multi-Scale Frequency Masking Neural Network for Multivariate Time Series Forecasting [6.733646592789575]
  長期時系列予測(LTSF)は、電力消費計画、財務予測、疾病の伝播分析など、多くの実世界の応用において重要である。 MMFNetは,マルチスケールマスク付き周波数分解手法を利用して,長期多変量予測を向上する新しいモデルである。 MMFNetは、時系列を様々なスケールの周波数セグメントに変換し、学習可能なマスクを用いて非関連成分を適応的にフィルタリングすることで、微細で中間的で粗い時間パターンをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-02T22:38:20Z)
• CLeaRForecast: Contrastive Learning of High-Purity Representations for Time Series Forecasting [2.5816901096123863]
  時系列予測(TSF)は現代社会において重要であり、多くの領域にまたがっている。 従来の表現学習に基づくTSFアルゴリズムは、典型的には、分離された傾向周期表現を特徴とする対照的な学習パラダイムを取り入れている。 CLeaRForecastは,高純度時系列表現をサンプル,特徴量,アーキテクチャ浄化手法を用いて学習するための,新しいコントラスト学習フレームワークである。
  論文  参考訳（メタデータ） (2023-12-10T04:37:43Z)
• A Joint Time-frequency Domain Transformer for Multivariate Time Series Forecasting [7.501660339993144]
  本稿では、JTFT(Joint Time-Frequency Domain Transformer)を紹介する。 JTFTは時間と周波数領域の表現を組み合わせて予測を行う。 6つの実世界のデータセットの実験結果から、JTFTは予測性能において最先端のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-05-24T02:37:23Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)

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。