論文の概要: CoRA: Boosting Time Series Foundation Models for Multivariate Forecasting through Correlation-aware Adapter

• arxiv url: http://arxiv.org/abs/2603.21828v1
• Date: Mon, 23 Mar 2026 11:13:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.627167
• Title: CoRA: Boosting Time Series Foundation Models for Multivariate Forecasting through Correlation-aware Adapter
• Title（参考訳）: CoRA:相関認識アダプタによる多変量予測のための時系列基礎モデル
• Authors: Hanyin Cheng, Xingjian Wu, Yang Shu, Zhongwen Rao, Lujia Pan, Bin Yang, Chenjuan Guo,
• Abstract要約: CoRrelation-aware Adapter (CoRA)は、時系列基礎モデル(TSFM)による微調整のみを必要とする軽量なプラグアンドプレイ方式である。 複雑化を抑えるため,相関行列を低ランクの時間変化成分に分解する。 いくつかのチャネルにのみ現れる正の相関と負の相関を学習するために、新しい二重対比学習法を導入する。
• 参考スコア（独自算出の注目度）: 21.809575304934867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most existing Time Series Foundation Models (TSFMs) use channel independent modeling and focus on capturing and generalizing temporal dependencies, while neglecting the correlations among channels or overlooking the different aspects of correlations. However, these correlations play a vital role in Multivariate time series forecasting. To address this, we propose a CoRrelation-aware Adapter (CoRA), a lightweight plug-and-play method that requires only fine-tuning with TSFMs and is able to capture different types of correlations, so as to improve forecast performance. Specifically, to reduce complexity, we innovatively decompose the correlation matrix into low-rank Time-Varying and Time-Invariant components. For the Time-Varying component, we further design learnable polynomials to learn dynamic correlations by capturing trends or periodic patterns. To learn positive and negative correlations that appear only among some channels, we introduce a novel dual contrastive learning method that identifies correlations through projection layers, regulated by a Heterogeneous-Partial contrastive loss during training, without introducing additional complexity in the inference stage. Extensive experiments on 10 real-world datasets demonstrate that CoRA can improve TSFMs in multivariate forecasting performance.
• Abstract（参考訳）: 既存の Time Series Foundation Models (TSFMs) では、チャネル独立モデリングと、チャネル間の相関を無視したり、相関の異なる側面を見渡したりしながら、時間依存の捕捉と一般化に重点を置いている。 しかし、これらの相関は多変量時系列予測において重要な役割を果たす。 そこで本研究では,TSFMの微調整のみを必要とする軽量なプラグイン・アンド・プレイ方式であるCoRrelation-aware Adapter(CoRA)を提案する。 具体的には、複雑性を低減するために、相関行列を低ランクの時間変化成分と時間不変成分に革新的に分解する。 時間変化成分については、トレンドや周期パターンをキャプチャして動的相関を学習するための学習可能な多項式をさらに設計する。 いくつかのチャネルにのみ現れる正の相関と負の相関を学習するために、推論段階にさらなる複雑さを導入することなく、トレーニング中の異種-素粒子の対比損失によって制御された投影層を通して相関を識別する新しい二重対比学習法を導入する。 10の実世界のデータセットに対する大規模な実験により、CoRAは多変量予測性能においてTSFMを改善することができることを示した。

関連論文リスト

• Improving Day-Ahead Grid Carbon Intensity Forecasting by Joint Modeling of Local-Temporal and Cross-Variable Dependencies Across Different Frequencies [3.1953619915392246]
  グリッドカーボン強度係数(CIF)の正確な予測は、現代の電力システムにおける需要側管理と排出削減に不可欠である。 ディープラーニングベースの手法の進歩にもかかわらず、きめ細かい局所的依存関係を捉えることは依然として困難である。 2つの並列モジュールを統合する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2026-01-10T11:20:55Z)
• SDGF: Fusing Static and Multi-Scale Dynamic Correlations for Multivariate Time Series Forecasting [9.027814258970684]
  時系列の正確な予測にはシリーズ間相関が不可欠である。 これらの関係はしばしば異なる時間スケールにわたる複雑なダイナミクスを示す。 既存のメソッドは、これらのマルチスケール依存関係のモデリングに限られています。
  論文  参考訳（メタデータ） (2025-09-14T11:23:12Z)
• 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)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [104.60508550106618]
  拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。 DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。 そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:47:33Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Gaussian Process Latent Variable Modeling for Few-shot Time Series Forecasting [25.612524060553703]
  時系列予測は資源配分、工業生産、都市管理の最適化に不可欠である。 既存のモデルは、長期の依存関係をキャプチャし、数ショットのシナリオで様々なメタ知識を明示的にモデル化するのに苦労している。 本稿では,メタラーニングに基づくガウス的プロセス潜在変数モデルであるMetaGPを提案する。
  論文  参考訳（メタデータ） (2022-12-20T14:54:04Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

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。