論文の概要: Autocorrelation Reintroduces Spectral Bias in KANs for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2604.23518v1
• Date: Sun, 26 Apr 2026 03:47:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.40691
• Title: Autocorrelation Reintroduces Spectral Bias in KANs for Time Series Forecasting
• Title（参考訳）: 時系列予測のためのスペクトルバイアスの自己相関による再導入
• Authors: Chen Zeng, Jiahui Wang, Qiao Wang,
• Abstract要約: 既存の理論では、コルモゴロフ・アルノルドネットワーク(KAN)はニューラルネットワークでよく見られるスペクトルバイアスを克服できる。 時間的自己相関はカンのスペクトルバイアスを再導入し、自己相関の度合いが増加するにつれてバイアスはますます顕著になる。 この問題に対処するために,離散コサイン変換(DCT)を導入し,ネットワーク入力間の相関を小さくする。
• 参考スコア（独自算出の注目度）: 22.195145235712385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing theory suggests that Kolmogorov-Arnold Networks (KANs) can overcome the spectral bias commonly observed in neural networks under the assumption that inputs are statistically independent. However, this assumption does not hold in time series forecasting (TSF), where inputs are lagged observations with strong temporal autocorrelation. Through theoretical analysis and empirical validation, we obtain an unexpected finding: temporal autocorrelation reintroduces spectral bias in KANs, and the bias becomes increasingly pronounced as the degree of autocorrelation increases. This suggests that standard KANs may face substantial difficulties in TSF with strongly autocorrelated inputs. To address this problem, we introduce the Discrete Cosine Transform (DCT) to reduce the correlations among the network inputs. As expected, experimental results reveal that DCT preprocessing substantially reduces the observed low-frequency preference in TSF. This result also corroborates that the spectral bias of KANs in TSF tasks is indeed induced by the autocorrelation among input variables.
• Abstract（参考訳）: 既存の理論では、コルモゴロフ・アルノルドネットワーク(KAN)は、入力が統計的に独立であるという仮定のもと、ニューラルネットワークでよく見られるスペクトルバイアスを克服できる。 しかし、この仮定は時系列予測(TSF)では成り立たない。 時間的自己相関は、カンのスペクトルバイアスを再導入し、自己相関の度合いが増加するにつれて、バイアスはますます顕著になる。 このことは、標準のkansが強い自己相関入力を持つTSFにおいてかなりの困難に直面していることを示唆している。 この問題に対処するために,離散コサイン変換(DCT)を導入し,ネットワーク入力間の相関を小さくする。 予想通り, DCT前処理はTSFの低周波嗜好を著しく低下させることが明らかとなった。 この結果は、TSFタスクにおけるkansのスペクトルバイアスが、入力変数の自己相関によって実際に引き起こされることを裏付ける。

関連論文リスト

• Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
  本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。 ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。 実験により,提案手法が最先端検出性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-20T09:24:28Z)
• Frequentist Consistency of Prior-Data Fitted Networks for Causal Inference [49.70323515651261]
  先行データ適合ネットワーク(PFN)に基づく基礎モデルは因果推論において強い経験的性能を示した。 PFNに基づく因果推定器が古典的頻繁な推定器と整合した不確実な定量化を提供するかどうかは不明である。
  論文  参考訳（メタデータ） (2026-03-12T15:14:35Z)
• CausalWrap: Model-Agnostic Causal Constraint Wrappers for Tabular Synthetic Data [4.08271266107383]
  CausalWrapは、事前訓練されたベースジェネレータに部分的な因果知識を注入するモデルに依存しないラッパーである。 CWは、ベースジェネレータからのサンプルに適用された軽量で微分可能なポストホック補正マップを学習する。 CWは多様なベースジェネレータ間の因果性を改善する。
  論文  参考訳（メタデータ） (2026-03-02T15:59:46Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• Bounds of Chain-of-Thought Robustness: Reasoning Steps, Embed Norms, and Beyond [64.88201012057822]
  既存の研究では、CoT(Chain-of-Thought)の出力が入力摂動に大きく影響していることが示されている。 我々は,CoT出力の変動に対する入力摂動の影響を理論的に解析する。
  論文  参考訳（メタデータ） (2025-09-25T15:04:31Z)
• Analysis of Fourier Neural Operators via Effective Field Theory [11.824913874212802]
  無限次元関数空間におけるFNOの体系的有効場理論解析について述べる。 非線形な活性化は、必然的に周波数入力を周波数モードに分割し、それ以外はスペクトル乱れによって破棄されることを示す。 本研究は, 非線形性によってニューラル演算子が非自明な特徴を捉えることができることの定量化と, スケール不変なアクティベーションと残差接続がFNOにおける特徴学習を促進する理由を説明するものである。
  論文  参考訳（メタデータ） (2025-07-29T14:10:46Z)
• A Reverse Causal Framework to Mitigate Spurious Correlations for Debiasing Scene Graph Generation [59.473751744275496]
  シーングラフ生成(SGG)フレームワークは通常、関係の特徴を抽出する検出器と、それらの関係を分類する分類器を備えている。 このような因果連鎖構造は、検出器の入力と最終的な予測の間に急激な相関をもたらす。 本稿では、因果連鎖構造を逆因果構造に再構築し、分類器の入力を共同創設者として扱うことを提案する。
  論文  参考訳（メタデータ） (2025-05-29T13:57:01Z)
• Loschmidt echo, emerging dual unitarity and scaling of generalized temporal entropies after quenches to the critical point [0.0]
  クエンチ後の積状態のLoschmidtエコーが共形場理論を用いてどのように予測できるかを示す。 また、最近の進化の二重ユニタリ性も予測し、確認することができます。
  論文  参考訳（メタデータ） (2024-05-23T15:40:37Z)
• FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
  時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。 本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。