論文の概要: Channel-wise Retrieval for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2604.05543v1
• Date: Tue, 07 Apr 2026 07:40:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.697664
• Title: Channel-wise Retrieval for Multivariate Time Series Forecasting
• Title（参考訳）: 多変量時系列予測のためのチャネルワイズ検索
• Abstract要約: CRAFT(Channel-wise search-augmented forecasting)は、チャネル毎に独立して検索を行う新しいフレームワークである。 7つの公開ベンチマークの実験では、CRAFTは最先端の予測ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 10.27767121181644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series forecasting often struggles to capture long-range dependencies due to fixed lookback windows. Retrieval-augmented forecasting addresses this by retrieving historical segments from memory, but existing approaches rely on a channel-agnostic strategy that applies the same references to all variables. This neglects inter-variable heterogeneity, where different channels exhibit distinct periodicities and spectral profiles. We propose CRAFT (Channel-wise retrieval-augmented forecasting), a novel framework that performs retrieval independently for each channel. To ensure efficiency, CRAFT adopts a two-stage pipeline: a sparse relation graph constructed in the time domain prunes irrelevant candidates, and spectral similarity in the frequency domain ranks references, emphasizing dominant periodic components while suppressing noise. Experiments on seven public benchmarks demonstrate that CRAFT outperforms state-of-the-art forecasting baselines, achieving superior accuracy with practical inference efficiency.
• Abstract（参考訳）: 多変量時系列の予測は、固定されたルックバックウィンドウのため、しばしば長距離依存を捉えるのに苦労する。 Retrieval-augmented forecastingは、履歴セグメントをメモリから取得することでこの問題に対処するが、既存のアプローチでは、すべての変数に同じ参照を適用するチャネルに依存しない戦略に依存している。 これは、異なるチャネルが異なる周期性およびスペクトルプロファイルを示す異種間不均一性を無視している。 本稿では,CRAFT(Channel-wise search-augmented forecasting)を提案する。 効率性を確保するために、CRAFTは2段階のパイプライン、すなわち時間領域で構築されたスパース関係グラフは無関係な候補を産み出し、周波数領域ランク参照におけるスペクトル類似性はノイズを抑えながら支配的な周期成分を強調する。 7つの公開ベンチマークの実験では、CRAFTは最先端の予測ベースラインより優れており、実用的な推論効率で優れた精度を達成している。

関連論文リスト

• ChorusTIC: Training-Free Multivariate Time Series Classification via Chorus In-Context Learning [52.72143039958434]
  異種チャネル構成にまたがるコンテキスト内分類のための分類ネイティブ基盤モデルであるChorusticを導入する。 Chorusticは、可変チャネル構成を元のチャネルカウントとは無関係に固定幅の表現にマッピングする。 コンテキスト由来の分布を使って機能軸を校正し、リーク保護されたコンテキスト内学習を通じてクエリラベルを予測する。
  論文  参考訳（メタデータ） (2026-08-25T03:45:24Z)
• Sequential RC-TGAN: Generating Relational Time Series with Spectral Envelope Loss [2.6599014990168834]
  本稿では,RC-TGANフレームワークの時間拡張であるSequential RC-TGAN(Seq. RC-TGAN)について紹介する。 エンド・ツー・エンドのアプローチは、循環パターンの再現や長期的季節性において最先端のシステムよりも著しく優れています。
  論文  参考訳（メタデータ） (2026-06-30T16:09:10Z)
• Spectral Retrieval-Augmented Time-Series Forecasting [7.885089945243776]
  時系列予測は、過去のパターンを活用して将来の価値を予測するが、従来の手法は複雑な非定常パターンを扱う際に課題に直面している。 検索の強化されたアプローチは、予測を強化するために同様の歴史的パターンを取得することによって、有望な解決策として現れてきた。 時系列をウィンドウ化された周波数表現に変換する新しい検索手法であるSpecReTFを提案する。
  論文  参考訳（メタデータ） (2026-06-17T15:42:19Z)
• 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)
• Routing Channel-Patch Dependencies in Time Series Forecasting with Graph Spectral Decomposition [44.75749696286735]
  本稿では, グラフスペクトル分解の観点から, チャネルパッチ依存性を適応的にモデル化できる汎用プラグインxCPDを提案する。 xCPDは既存のCIおよびCD予測モデルの上にシームレスに統合することができ、ベンチマーク間の精度と一般化を一貫して強化することができる。
  論文  参考訳（メタデータ） (2026-03-14T02:18:17Z)
• CPiRi: Channel Permutation-Invariant Relational Interaction for Multivariate Time Series Forecasting [21.579831447953243]
  チャネル依存モデルはチャネル間の特徴を学習するが、しばしばチャネルの順序付けに適合する。 チャネルに依存しないモデルは、各チャネルを分離して柔軟性を高めるが、チャネル間の依存関係を無視し、性能を制限する。 固定順序を記憶するのではなく,データからチャネル間構造を推定するフレームワークである textbfCPiRi を提案する。
  論文  参考訳（メタデータ） (2026-01-28T07:30:32Z)
• 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)
• DUET: Dual Clustering Enhanced Multivariate Time Series Forecasting [13.05900224897486]
  実世界の時系列は、時間とともに分布の変化によって引き起こされる異質な時間パターンを示すことが多い。 チャネル間の相関は複雑で絡み合っており、チャネル間の相互作用を正確にかつ柔軟にモデル化することは困難である。 本稿では,時空間とチャネル次元に2つのクラスタリングを導入するDUETというフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-14T15:15:17Z)
• CATCH: Channel-Aware multivariate Time Series Anomaly Detection via Frequency Patching [24.927390742543707]
  周波数パッチに基づくフレームワークであるCATCHを紹介する。 本稿では,パッチワイドマスクジェネレータとマスクアテンション機構を備えたChannel Fusion Module (CFM)を提案する。 10の現実世界のデータセットと12の合成データセットの実験は、CATCHが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-16T05:58:55Z)
• From Similarity to Superiority: Channel Clustering for Time Series Forecasting [61.96777031937871]
  CCM(Channel Clustering Module)を開発した。 CCMは、固有の類似性を特徴とするチャネルを動的にグループ化し、個々のチャネルのアイデンティティの代わりにクラスタ情報を活用する。 CCMは、CIモデルとCDモデルのパフォーマンスを、それぞれ長期および短期の予測において平均利率2.4%と7.2%で向上させることができる。
  論文  参考訳（メタデータ） (2024-03-31T02:46:27Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
  本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。 以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。 本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:33Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)

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。