Fugu-MT 論文翻訳(概要): TimeSAF: Towards LLM-Guided Semantic Asynchronous Fusion for Time Series Forecasting

論文の概要: TimeSAF: Towards LLM-Guided Semantic Asynchronous Fusion for Time Series Forecasting

arxiv url: http://arxiv.org/abs/2604.12648v1
Date: Tue, 14 Apr 2026 12:18:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-15 19:11:32.433265
Title: TimeSAF: Towards LLM-Guided Semantic Asynchronous Fusion for Time Series Forecasting
Title（参考訳）: TimeSAF: LLM-Guided Semantic Asynchronous Fusion for Time Series Forecasting
Authors: Fan Zhang, Shiming Fan, Hua Wang,
Abstract要約: TimeSAFは階層的非同期融合に基づく新しいフレームワークである。低レベルの時間的ダイナミクスとの干渉を避けながら、安定的で効率的な意味指導を提供する。
参考スコア（独自算出の注目度）: 6.1337977581640075
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Despite the recent success of large language models (LLMs) in time-series forecasting, most existing methods still adopt a Deep Synchronous Fusion strategy, where dense interactions between textual and temporal features are enforced at every layer of the network. This design overlooks the inherent granularity mismatch between modalities and leads to what we term semantic perceptual dissonance: high-level abstract semantics provided by the LLM become inappropriately entangled with the low-level, fine-grained numerical dynamics of time series, making it difficult for semantic priors to effectively guide forecasting. To address this issue, we propose TimeSAF, a new framework based on hierarchical asynchronous fusion. Unlike synchronous approaches, TimeSAF explicitly decouples unimodal feature learning from cross-modal interaction. It introduces an independent cross-modal semantic fusion trunk, which uses learnable queries to aggregate global semantics from the temporal and prompt backbones in a bottom-up manner, and a stage-wise semantic refinement decoder that asynchronously injects these high-level signals back into the temporal backbone. This mechanism provides stable and efficient semantic guidance while avoiding interference with low-level temporal dynamics. Extensive experiments on standard long-term forecasting benchmarks show that TimeSAF significantly outperforms state-of-the-art baselines, and further exhibits strong generalization in both few-shot and zero-shot transfer settings.
Abstract（参考訳）: 時系列予測における大規模言語モデル(LLM)の最近の成功にもかかわらず、既存のほとんどのメソッドはDeep Synchronous Fusion戦略を採用しており、ネットワークのすべての層でテキストと時間的特徴の密接な相互作用が強制される。この設計は、モダリティ間の固有の粒度ミスマッチを見落とし、我々が意味的知覚不協和(semantic perceptual dissonance)と呼ぶものをもたらす: LLMが提供する高レベルな抽象意味論は、時系列の低レベルで微粒な数値力学と不適切に絡み合っており、セマンティック・プレファレントが予測を効果的に導くのが困難になる。この問題に対処するため,階層型非同期融合に基づく新しいフレームワークであるTimeSAFを提案する。同期アプローチとは異なり、TimeSAFはモダル間相互作用からアンモダル特徴学習を明示的に分離する。独立したクロスモーダルなセマンティックフュージョントランクは、学習可能なクエリを使用して、時間軸からグローバルなセマンティクスをボトムアップ方式で集約し、ステージワイドなセマンティヴリファインメントデコーダにより、これらの高レベル信号を時間軸のバックボーンに非同期に注入する。このメカニズムは、低レベルの時間的ダイナミクスとの干渉を避けながら、安定かつ効率的な意味指導を提供する。標準長期予測ベンチマークの広範囲な実験により、TimeSAFは最先端のベースラインを著しく上回り、また、少数ショットとゼロショットの両方の転送設定において強力な一般化を示している。

関連論文リスト

DySCo: Dynamic Semantic Compression for Effective Long-term Time Series Forecasting [6.800568640042171]
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。
論文参考訳（メタデータ） (2026-04-01T12:40:23Z)
ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model [53.15040805435013]
視覚言語モデル(VLM)は、一様にサンプリングされたフレームを解析することで、強力なセマンティックグラウンドと一般的な知識を提供する。本稿では,高密度フレーム・ダイナミックス・モデリングと長軸意味指導を組み合わせたVLM誘導型JEPA型潜在世界モデリングフレームワークを提案する。
論文参考訳（メタデータ） (2026-03-23T17:59:42Z)
Semantic Routing: Exploring Multi-Layer LLM Feature Weighting for Diffusion Transformers [31.67315012315044]
我々は,多層LLM隠蔽状態を体系的に整理する軽量ゲートを備えた統一正規化凸核融合フレームワークを提案する。実験は、より優れた条件付け戦略としてDepth-wise Semantic Routingを確立する。純粋に時間的な融合は、視覚発生の忠実度をパラドックス的に低下させる可能性がある。
論文参考訳（メタデータ） (2026-02-03T13:30:13Z)
UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデル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） (2025-12-08T05:36:14Z)
STELLA: Guiding Large Language Models for Time Series Forecasting with Semantic Abstractions [4.169671705130711]
構造的補足情報や補足情報をマイニングし注入するフレームワークSTELLAを提案する。 StELLAは、入力系列をトレンド、季節性、残留成分に分解する動的セマンティック抽象化機構を採用している。 8つのベンチマークデータセットの実験により、STELLAは長期および短期予測において最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2025-12-04T14:56:36Z)
Adapting LLMs to Time Series Forecasting via Temporal Heterogeneity Modeling and Semantic Alignment [32.41581846555808]
大規模言語モデル(LLM)は、最近、自然言語処理における印象的な能力を実証した。時間的アライメントのモデル化と意味的アライメントの強化によりLLMに基づく予測を強化する統合フレームワークであるTALONを提案する。 7つの実世界のベンチマークの実験では、TALONはすべてのデータセットで優れたパフォーマンスを達成している。
論文参考訳（メタデータ） (2025-08-10T06:06:19Z)
LLM-PS: Empowering Large Language Models for Time Series Forecasting with Temporal Patterns and Semantics [56.99021951927683]
Time Series Forecasting (TSF) は、金融計画や健康モニタリングなど、多くの現実世界のドメインにおいて重要である。既存のLarge Language Models (LLM) は通常、時系列データ固有の特性を無視するため、非最適に実行する。時系列データから基本的なtextitPatterns と有意義な textitSemantics を学習し,TLF のための LLM-PS を提案する。
論文参考訳（メタデータ） (2025-03-12T11:45:11Z)
Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
論文参考訳（メタデータ） (2024-03-27T09:14:36Z)
CALF: Aligning LLMs for Time Series Forecasting via Cross-modal Fine-Tuning [59.88924847995279]
MTSFのためのクロスモーダルLCMファインチューニング(CALF)フレームワークを提案する。分散の相違を低減するため,クロスモーダルマッチングモジュールを開発した。 CALFは、長期および短期の予測タスクの最先端のパフォーマンスを確立する。
論文参考訳（メタデータ） (2024-03-12T04:04:38Z)

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。