論文の概要: AdaMamba: Adaptive Frequency-Gated Mamba for Long-Term Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2604.23239v1
• Date: Sat, 25 Apr 2026 10:22:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.221221
• Title: AdaMamba: Adaptive Frequency-Gated Mamba for Long-Term Time Series Forecasting
• Title（参考訳）: AdaMamba: 長期連続予測のための適応周波数ゲイトマンバ
• Authors: Xudong Jiang, Mingshan Loo, Hanchen Yang, Wengen Li, Mingrui Zhang, Yichao Zhang, Jihong Guan, Shuigeng Zhou,
• Abstract要約: 周波数領域解析と時間依存性学習を統合するために,AdaMambaを提案する。 AdaMamba は Accu racy の予測において最先端の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 37.92252681666789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate long-term time series forecasting (LTSF) requires the capture of complex long-range dependencies and dynamic periodic patterns. Recent advances in frequency-domain analysis offer a global perspective for uncovering temporal characteristics. However, real-world time series often exhibit pronounced cross-domain heterogeneity where variables that appear synchronized in the time domain can differ substantially in the frequency domain. Existing frequency-based LTSF methods often rely on implicit assumptions of cross-domain homogeneity, which limits their ability to adapt to such intricate variability. To effectively integrate frequency-domain analysis with temporal dependency learning, we propose AdaMamba, a novel framework that endogenizes adaptive and context-aware frequency analysis within the Mamba state-space update process. Specifically, AdaMamba introduces an interactive patch encoding module to capture inter-variable interaction dynamics. Then, we develop an adaptive frequency-gated state-space module that generates input-dependent frequency bases, and generalizes the conventional temporal forgetting gate into a unified time-frequency forgetting gate. This allows dynamic calibration of state transitions based on learned frequency-domain importance, while preserving Mamba's capability in modeling long-range dependencies. Extensive experiments on seven public LTSF benchmarks and two domain-specific datasets demonstrate that AdaMamba consistently outperforms state-of-the-art methods in forecasting accu racy while maintaining competitive computational efficiency. The code of AdaMamba is available at https://github.com/XDjiang25/AdaMamba.
• Abstract（参考訳）: 正確な時系列予測(LTSF)には、複雑な長距離依存関係と動的周期パターンのキャプチャが必要である。 周波数領域解析の最近の進歩は、時間特性を明らかにするためのグローバルな視点を提供する。 しかし、実世界の時系列は、時間領域で同期された変数が周波数領域で大きく異なる場合、明らかにクロスドメイン不均一性を示すことが多い。 既存の周波数ベースのLTSF法は、しばしばドメイン間の均一性の暗黙の仮定に依存し、そのような複雑な変数に適応する能力を制限する。 周波数領域解析と時間依存性学習を効果的に統合するために,Mamba状態空間更新プロセス内で適応的および文脈対応の周波数解析を内在化する新しいフレームワークであるAdaMambaを提案する。 具体的には、AdaMambaはインタラクティブなパッチ符号化モジュールを導入し、変数間の相互作用のダイナミクスをキャプチャする。 そして、入力依存の周波数ベースを生成する適応周波数ゲート状態空間モジュールを開発し、従来の時間的忘れゲートを統一された時間的忘れゲートに一般化する。 これにより、学習した周波数領域の重要度に基づいて状態遷移を動的にキャリブレーションできると同時に、長距離依存関係のモデリングにおけるMambaの能力も維持できる。 7つのパブリックLTSFベンチマークと2つのドメイン特化データセットに関する大規模な実験は、AdaMambaが競争計算効率を維持しながら、アクーラシーを予測する最先端の手法を一貫して上回っていることを示している。 AdaMambaのコードはhttps://github.com/XDjiang25/AdaMambaで公開されている。

関連論文リスト

• FreqCycle: A Multi-Scale Time-Frequency Analysis Method for Time Series Forecasting [5.58518205945406]
  本稿では、時間領域における共有周期パターンを明示的に学習することにより、低周波の特徴を抽出するFreqCycleを提案する。 FreqCycleは、高速な推論速度を維持しながら最先端の精度を実現し、パフォーマンスと効率の最適なバランスを保っている。
  論文  参考訳（メタデータ） (2026-03-10T13:34:36Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• Towards Non-Stationary Time Series Forecasting with Temporal Stabilization and Frequency Differencing [24.5925492214521]
  時系列はしばしば時間分布シフトやスペクトルの変動を含む非定常性を示す。 本稿では、時間領域と周波数領域の両方で非定常性に対処する二分岐フレームワークDTAFを提案する。
  論文  参考訳（メタデータ） (2025-11-11T13:30:38Z)
• 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)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• 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)
• ATFNet: Adaptive Time-Frequency Ensembled Network for Long-term Time Series Forecasting [7.694820760102176]
  ATFNetは、時間ドメインモジュールと周波数ドメインモジュールを組み合わせた革新的なフレームワークである。 本稿では,2つのモジュール間の重み調整機構であるドミナント・ハーモニック・シリーズ・エナジー・ウェイトリングを紹介する。 我々の複素数値スペクトル注意機構は、異なる周波数の組み合わせ間の複雑な関係を識別するための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-04-08T04:41:39Z)

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。