論文の概要: Auto-Configured Networks for Multi-Scale Multi-Output Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2604.07610v1
• Date: Wed, 08 Apr 2026 21:28:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.573628
• Title: Auto-Configured Networks for Multi-Scale Multi-Output Time-Series Forecasting
• Title（参考訳）: マルチスケールマルチ出力時系列予測のための自動構成ネットワーク
• Authors: Yumeng Zha, Shengxiang Yang, Xianpeng Wang,
• Abstract要約: 産業予測は、しばしばマルチソースの非同期信号とマルチ出力ターゲットを含む。 現在のプラクティスはアライメント戦略やネットワーク設計の修正であり、事前処理を体系的に共同設計することは困難である。 本稿では,エラーと複雑性のバランスをとる予測モデルのデプロイ可能なParetoセットを出力する自動設定フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.883762084227456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial forecasting often involves multi-source asynchronous signals and multi-output targets, while deployment requires explicit trade-offs between prediction error and model complexity. Current practices typically fix alignment strategies or network designs, making it difficult to systematically co-design preprocessing, architecture, and hyperparameters in budget-limited training-based evaluations. To address this issue, we propose an auto-configuration framework that outputs a deployable Pareto set of forecasting models balancing error and complexity. At the model level, a Multi-Scale Bi-Branch Convolutional Neural Network (MS--BCNN) is developed, where short- and long-kernel branches capture local fluctuations and long-term trends, respectively, for multi-output regression. At the search level, we unify alignment operators, architectural choices, and training hyperparameters into a hierarchical-conditional mixed configuration space, and apply Player-based Hybrid Multi-Objective Evolutionary Algorithm (PHMOEA) to approximate the error--complexity Pareto frontier within a limited computational budget. Experiments on hierarchical synthetic benchmarks and a real-world sintering dataset demonstrate that our framework outperforms competitive baselines under the same budget and offers flexible deployment choices.
• Abstract（参考訳）: 産業予測は、しばしばマルチソースの非同期信号とマルチアウトプットターゲットを含むが、デプロイには予測エラーとモデルの複雑さの間に明確なトレードオフが必要である。 現在のプラクティスでは、アライメント戦略やネットワーク設計の修正が一般的であり、予算に制限されたトレーニングベースの評価において、事前処理やアーキテクチャ、ハイパーパラメータを体系的に設計することは困難である。 この問題に対処するため、我々は、エラーと複雑性のバランスをとる予測モデルのデプロイ可能なParetoセットを出力する自動設定フレームワークを提案する。 モデルレベルでは,マルチスケールバイブランチ・畳み込みニューラルネットワーク(MS--BCNN)が開発され,ショートカーネルブランチとロングカーネルブランチがそれぞれ局所的変動と長期的傾向を捉え,多出力回帰を行う。 探索レベルでは、アライメント演算子、アーキテクチャ選択、ハイパーパラメータを階層的-条件混合構成空間に統一し、プレイヤーベースハイブリッド多目的進化アルゴリズム(PHMOEA)を用いて、限られた計算予算内での誤差複雑度Paretoフロンティアを近似する。 階層的な合成ベンチマークと実世界の焼結データセットの実験は、我々のフレームワークが同じ予算下で競争ベースラインを上回っ、柔軟なデプロイメント選択を提供することを示している。

関連論文リスト

• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• Shared Representation Learning for High-Dimensional Multi-Task Forecasting under Resource Contention in Cloud-Native Backends [12.826922983028082]
  本研究では,クラウドネイティブバックエンドシステムの予測要求を満たすため,高次元マルチタスク時系列の統一予測フレームワークを提案する。 本手法は,多様なモニタリング指標を統一的に表現するための共有符号化構造を構築する。 ノード間の潜在的な依存関係をモデル化するために、クロスタスク構造伝搬モジュールが導入された。
  論文  参考訳（メタデータ） (2025-12-24T11:02:03Z)
• Multivariate time series prediction using clustered echo state network [4.4778341776682735]
  エコー状態ネットワーク(ESN)は、従来のリカレントニューラルネットワークに代わる効率的な代替手段を提供する。 予測精度と雑音に対する頑健性の観点から,CESNは従来型ESNよりも一貫して優れていた。 当社のアルゴリズムは、株式市場、太陽風、カオスRsslerシステムなど、さまざまな現実世界のデータセットでうまく機能します。
  論文  参考訳（メタデータ） (2025-11-28T17:14:15Z)
• NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
  NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。 NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。 さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
  論文  参考訳（メタデータ） (2025-10-15T16:25:18Z)
• CollaPipe: Adaptive Segment-Optimized Pipeline Parallelism for Collaborative LLM Training in Heterogeneous Edge Networks [57.95170323315603]
  CollaPipeは、コラボレーティブパイプライン並列性とフェデレーションアグリゲーションを統合し、自己進化型ネットワークをサポートする分散学習フレームワークである。 CollaPipeでは、エンコーダ部分は可変サイズのセグメントに適応的に分割され、パイプライン並列トレーニングのためにモバイルデバイスにデプロイされ、デコーダは生成タスクを処理するためにエッジサーバにデプロイされる。 トレーニング効率を向上させるために,モデルセグメント,マイクロバッチ,帯域幅,送信電力を適応的に割り当てる共同最適化問題を定式化する。
  論文  参考訳（メタデータ） (2025-09-24T07:54:01Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Automatic Operator-level Parallelism Planning for Distributed Deep Learning -- A Mixed-Integer Programming Approach [6.449961842220686]
  本稿では,最適性と計算効率のバランスをとる二段階のソリューションフレームワークを提案する。 我々のフレームワークは、同等または優れた性能を実現し、同じメモリ制約下で計算バブルを半分に減らします。 このような能力は、最適な並列化戦略を探求するための貴重な研究ツールであり、大規模なAIデプロイメントのための実践的な産業ソリューションである。
  論文  参考訳（メタデータ） (2025-03-12T13:00:29Z)
• Advancing Enterprise Spatio-Temporal Forecasting Applications: Data Mining Meets Instruction Tuning of Language Models For Multi-modal Time Series Analysis in Low-Resource Settings [0.0]
  パティオ時間予測は輸送、物流、サプライチェーン管理において重要である。 本稿では,従来の予測手法の強みと小言語モデルの命令チューニングを融合した動的マルチモーダル手法を提案する。 我々のフレームワークは、推論速度とデータプライバシ/セキュリティを維持しながら、計算とメモリの要求を低減したオンプレミスのカスタマイズを可能にする。
  論文  参考訳（メタデータ） (2024-08-24T16:32:58Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。 我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。 CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)

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。