論文の概要: DySCo: Dynamic Semantic Compression for Effective Long-term Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2604.01261v1
• Date: Wed, 01 Apr 2026 12:40:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:09.655985
• Title: DySCo: Dynamic Semantic Compression for Effective Long-term Time Series Forecasting
• Title（参考訳）: DySCo: 長期予測に有効な動的セマンティック圧縮
• Authors: Xiang Ao, Yinyu Tan, Mengru Chen,
• Abstract要約: 時系列予測は、金融、気象学、エネルギーといった分野において重要である。 本稿では,これらの課題に対処する動的意味圧縮(DySCo)フレームワークを提案する。 DySCoは汎用的なプラグイン・アンド・プレイモジュールとして機能し、主要なモデルが長期的相関を捉える能力を大幅に強化する。
• 参考スコア（独自算出の注目度）: 6.800568640042171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting (TSF) is critical across domains such as finance, meteorology, and energy. While extending the lookback window theoretically provides richer historical context, in practice, it often introduces irrelevant noise and computational redundancy, preventing models from effectively capturing complex long-term dependencies. To address these challenges, we propose a Dynamic Semantic Compression (DySCo) framework. Unlike traditional methods that rely on fixed heuristics, DySCo introduces an Entropy-Guided Dynamic Sampling (EGDS) mechanism to autonomously identify and retain high-entropy segments while compressing redundant trends. Furthermore, we incorporate a Hierarchical Frequency-Enhanced Decomposition (HFED) strategy to separate high-frequency anomalies from low-frequency patterns, ensuring that critical details are preserved during sparse sampling. Finally, a Cross-Scale Interaction Mixer(CSIM) is designed to dynamically fuse global contexts with local representations, replacing simple linear aggregation. Experimental results demonstrate that DySCo serves as a universal plug-and-play module, significantly enhancing the ability of mainstream models to capture long-term correlations with reduced computational cost.
• Abstract（参考訳）: 時系列予測(TSF)は、金融、気象学、エネルギーといった分野において重要である。 ルックバックウィンドウの拡張は理論的にはより豊かな歴史的文脈を提供するが、実際には、しばしば無関係なノイズと計算の冗長性を導入し、モデルが複雑な長期的依存関係を効果的にキャプチャすることを防ぐ。 これらの課題に対処するために,動的セマンティック圧縮(DySCo)フレームワークを提案する。 固定ヒューリスティックスに依存する従来の方法とは異なり、DySCoは、冗長なトレンドを圧縮しながら、高エントロピーセグメントを自律的に識別し保持するエントロピーガイド動的サンプリング(EGDS)機構を導入している。 さらに,HFED(Hierarchical Frequency-Enhanced Decomposition)戦略を取り入れ,低周波パターンから高周波異常を分離し,スパースサンプリング中に重要な詳細が保存されるようにした。 最後に、CSIM(Cross-Scale Interaction Mixer)は、グローバルコンテキストを局所的な表現と動的に融合し、単純な線形アグリゲーションを置き換えるように設計されている。 実験により,DySCoは汎用的なプラグ・アンド・プレイモジュールとして機能し,計算コストの低減による長期相関の獲得能力を大幅に向上した。

関連論文リスト

• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
  時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。 現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。 本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:37:02Z)
• Temporally Consistent Koopman Autoencoders for Forecasting Dynamical Systems [38.36312939874359]
  時間的に一貫したクープマンオートエンコーダ(tcKAE)を導入する。 tcKAEは、限られたノイズの多いトレーニングデータであっても、正確な長期予測を生成する。 我々は、様々なテストケースにおいて、最先端のKAEモデルよりもtcKAEの優れた性能を実証的に示す。
  論文  参考訳（メタデータ） (2024-03-19T00:48:25Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)

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。