論文の概要: WaveMoE: A Wavelet-Enhanced Mixture-of-Experts Foundation Model for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2604.10544v1
• Date: Sun, 12 Apr 2026 09:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.090463
• Title: WaveMoE: A Wavelet-Enhanced Mixture-of-Experts Foundation Model for Time Series Forecasting
• Title（参考訳）: WaveMoE: 時系列予測のためのWavelet-Enhanced Mixture-of-Experts Foundation Model
• Authors: Shunyu Wu, Jiawei Huang, Weibin Feng, Boxin Li, Xiao Zhang, Erli Meng, Dan Li, Jian Lou, See-Kiong Ng,
• Abstract要約: 本稿では、拡張性のある基礎モデルに明示的な周波数領域表現を統合する新しい視点を提案する。 時系列予測のためのウェーブレット強化混合実験基盤モデルであるWaveMoEを紹介する。 16種類のベンチマークデータセットの予備的な実験結果から、WaveMoEは予測性能をさらに改善する可能性が示唆されている。
• 参考スコア（独自算出の注目度）: 43.52635148490259
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series foundation models (TSFMs) have recently achieved remarkable success in universal forecasting by leveraging large-scale pretraining on diverse time series data. Complementing this progress, incorporating frequency-domain information yields promising performance in enhancing the modeling of complex temporal patterns, such as periodicity and localized high-frequency dynamics, which are prevalent in real-world time series. To advance this direction, we propose a new perspective that integrates explicit frequency-domain representations into scalable foundation models, and introduce WaveMoE, a wavelet-enhanced mixture-of-experts foundation model for time series forecasting. WaveMoE adopts a dual-path architecture that jointly processes time series tokens and wavelet tokens aligned along a unified temporal axis, and coordinates them through a shared expert routing mechanism that enables consistent expert specialization while efficiently scaling model capacity. Preliminary experimental results on 16 diverse benchmark datasets indicate that WaveMoE has the potential to further improve forecasting performance by incorporating wavelet-domain corpora.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は,近年,多様な時系列データに基づく大規模事前学習を活用することで,普遍予測において顕著な成功を収めている。 この進歩を補完し、周波数領域情報を組み込むことは、実世界の時系列でよく見られる周期性や局所的な高周波力学といった複雑な時間パターンのモデリングを強化する上で有望な性能をもたらす。 この方向を推し進めるために、拡張性のある基礎モデルに明示的な周波数領域表現を統合する新しい視点を提案し、時系列予測のためのウェーブレット強化混合実験基盤モデルであるWaveMoEを紹介した。 WaveMoEは、時系列トークンとウェーブレットトークンを統一された時間軸に沿って共同処理するデュアルパスアーキテクチャを採用し、モデルのキャパシティを効率的にスケーリングしながら、一貫した専門的な特殊化を可能にする共有専門家ルーティングメカニズムを通じてそれらを調整する。 16種類のベンチマークデータセットの予備実験結果から、WaveMoEはウェーブレットドメインコーパスを組み込むことで予測性能をさらに向上する可能性が示唆された。

関連論文リスト

• AWEMixer: Adaptive Wavelet-Enhanced Mixer Network for Long-Term Time Series Forecasting [12.450099337354017]
  適応ウェーブレット強化ミキサーネットワークであるAWEMixerを提案する。 周波数ルータは、Fast Fourier Transformによって達成された大域的周期パターンを利用して、局所化ウェーブレットサブバンドを適応的に重み付けする。 コヒーレントゲート融合ブロックは、多スケール時間表現による顕著な周波数特徴の選択的統合を実現する。
  論文  参考訳（メタデータ） (2025-11-06T11:27:12Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Wavelet Mixture of Experts for Time Series Forecasting [7.478995447422547]
  本稿では,新しい時系列予測モデルWaveTS-Bを提案する。 このモデルはウェーブレット変換と、ウェーブレット領域におけるデータの周期的特性と非定常的特性の両方をキャプチャする機構を組み合わせる。 本モデルでは,パラメータが大幅に少ないSOTA(State-of-the-art)の性能を実現する。
  論文  参考訳（メタデータ） (2025-08-12T10:32:51Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Wave-Mask/Mix: Exploring Wavelet-Based Augmentations for Time Series Forecasting [0.0]
  本研究では、離散ウェーブレット変換(DWT)を用いて、時系列データの時間依存性を保ちながら周波数要素を調整する2つの拡張手法を提案する。 我々の知る限り、DWTを用いた多変量時系列に関する広範な実験を行った最初の研究である。
  論文  参考訳（メタデータ） (2024-08-20T15:42:10Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)

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。