論文の概要: IPatch: A Multi-Resolution Transformer Architecture for Robust Time-Series Forecasting
- arxiv url: http://arxiv.org/abs/2603.24207v1
- Date: Wed, 25 Mar 2026 11:31:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-26 21:06:11.265081
- Title: IPatch: A Multi-Resolution Transformer Architecture for Robust Time-Series Forecasting
- Title（参考訳）: IPatch:ロバストな時系列予測のためのマルチリゾリューショントランスフォーマアーキテクチャ
- Abstract要約: IPatchは、ポイントワイドおよびパッチワイドトークンを統合し、複数の解像度で時間情報をモデル化するマルチレゾリューショントランスフォーマーアーキテクチャである。
7つのベンチマークデータセットの実験では、IPatchは予測精度、ノイズ、様々な予測地平線を越えた一般化を一貫して改善している。
- 参考スコア（独自算出の注目度）: 1.00150464907602
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate forecasting of multivariate time series remains challenging due to the need to capture both short-term fluctuations and long-range temporal dependencies. Transformer-based models have emerged as a powerful approach, but their performance depends critically on the representation of temporal data. Traditional point-wise representations preserve individual time-step information, enabling fine-grained modeling, yet they tend to be computationally expensive and less effective at modeling broader contextual dependencies, limiting their scalability to long sequences. Patch-wise representations aggregate consecutive steps into compact tokens to improve efficiency and model local temporal dynamics, but they often discard fine-grained temporal details that are critical for accurate predictions in volatile or complex time series. We propose IPatch, a multi-resolution Transformer architecture that integrates both point-wise and patch-wise tokens, modeling temporal information at multiple resolutions. Experiments on 7 benchmark datasets demonstrate that IPatch consistently improves forecasting accuracy, robustness to noise, and generalization across various prediction horizons compared to single-representation baselines.
- Abstract（参考訳）: 多変量時系列の正確な予測は、短期的変動と長期的時間的依存の両方を捉える必要があるため、依然として困難である。
トランスフォーマーベースのモデルは強力なアプローチとして登場したが、その性能は時間データの表現に大きく依存する。
従来のポイントワイズ表現は、個々のタイムステップ情報を保存し、きめ細かいモデリングを可能にするが、計算コストが高く、より広いコンテキスト依存のモデリングに効果が低い傾向にあり、スケーラビリティを長いシーケンスに制限する。
パッチワイズ表現は、連続したステップをコンパクトなトークンに集約し、効率を改善し、局所時間力学をモデル化するが、揮発性または複雑な時系列における正確な予測に不可欠な微細な時間的詳細をしばしば捨てる。
ポイントワイドトークンとパッチワイドトークンを統合し、複数の解像度で時間情報をモデル化する多分解能トランスフォーマーアーキテクチャであるIPatchを提案する。
7つのベンチマークデータセットの実験では、IPatchは単一表現ベースラインと比較して予測精度、ノイズに対する堅牢性、および様々な予測地平線を越えた一般化を一貫して改善している。
関連論文リスト
- TiWeaver: Unified Temporal Dynamics Modeling via Contextual Patching [15.279995924017458]
TiWeaverは、時間的ダイナミクスと細粒度チャネル間の依存関係を適応的に扱うように設計された統合フレームワークである。
12のリアルタイム時系列データセット上でTiWeaverを評価し、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-06-02T04:06:12Z) - SPaRSe-TIME: Saliency-Projected Low-Rank Temporal Modeling for Efficient and Interpretable Time Series Prediction [0.0]
SPaRSe-TIME(サイト・英語)は、時系列を分解して3つの相補的なコンポーネント(サリエンシ、メモリ、トレンド)にモデル化するフレームワークである。
多様な実世界のデータセットの実験は、SPaRSe-TIMEが競合性能を達成することを示した。
全体として、SPaRSe-TIMEは、モノリシックシーケンスモデルの原則的な代替、ブリッジ効率、解釈可能性、パフォーマンスを提供し、時系列学習のためのスケーラブルなフレームワークを提供する。
論文 参考訳（メタデータ） (2026-04-19T09:55:28Z) - 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) - Patch-Level Tokenization with CNN Encoders and Attention for Improved Transformer Time-Series Forecasting [0.0]
本稿では,局所的時間的表現学習をグローバル依存モデルから分離する2段階予測フレームワークを提案する。
畳み込みニューラルネットワークは、固定長の時間的パッチで動作し、短距離時間的ダイナミクスと非線形特徴相互作用を抽出する。
その後、Transformerエンコーダがパッチ間の時間依存性をモデル化し、予測を生成する。
論文 参考訳（メタデータ） (2026-01-18T16:16:01Z) - BRATI: Bidirectional Recurrent Attention for Time-Series Imputation [0.14999444543328289]
時系列分析におけるデータの欠落は、ダウンストリームアプリケーションの信頼性に影響を及ぼす、重大な課題を引き起こす。
本稿では,多変量時系列計算のための新しい深層学習モデルであるBRATIを紹介する。
BRATIは時間的依存を処理し、長い時間的水平線と短い時間的水平線をまたいだ特徴相関を処理し、その逆の時間的方向で動作する2つの計算ブロックを利用する。
論文 参考訳（メタデータ） (2025-01-09T17:50:56Z) - Ister: Inverted Seasonal-Trend Decomposition Transformer for Explainable Multivariate Time Series Forecasting [10.32586981170693]
Inverted Seasonal-Trend Decomposition Transformer (Ister)
本稿では,解釈可能性,計算効率,予測精度を向上させる新しいDotアテンション機構を提案する。
Isterはコンポーネントのコントリビューションを直感的に視覚化し、モデルの意思決定プロセスに光を流し、予測結果の透明性を高める。
論文 参考訳（メタデータ） (2024-12-25T06:37:19Z) - Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [51.01356105618118]
時系列はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。
既存のアプローチでは、通常、これらのさまざまなパターンをキャプチャするために単一のモデルをトレーニングするが、しばしばパッチ間のパターンのドリフトに苦労する。
より正確で適応可能な時系列予測にパターン特化の専門家を活用する新しいアーキテクチャであるTFPSを提案する。
論文 参考訳（メタデータ） (2024-10-13T13:35:29Z) - Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための因果変換器Timer-XLを提案する。
大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
論文 参考訳（メタデータ） (2024-10-07T07:27:39Z) - MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series
Interpretable Forecasting [13.790498420659636]
時系列予測は、その広範な応用が本質的に困難なため、既存の研究から幅広い関心を集めている。
本稿では,まず,畳み込み操作を用いてマルチスケールの時系列パターンを適応的に分解し,パターン再現の既知に基づいてパターン拡張予測手法を構築し,最終的に畳み込み操作を用いて将来的なパターンを再構築する。
時系列に存在する時間的依存関係を活用することで、MPR-Netは線形時間複雑性を達成するだけでなく、予測プロセスも解釈できる。
論文 参考訳（メタデータ） (2023-07-13T13:16:01Z) - FormerTime: Hierarchical Multi-Scale Representations for Multivariate
Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。
1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文 参考訳（メタデータ） (2023-02-20T07:46:14Z) - 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) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。