論文の概要: DecompKAN: Decomposed Patch-KAN for Long-Term Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2604.23968v1
• Date: Mon, 27 Apr 2026 02:29:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.701553
• Title: DecompKAN: Decomposed Patch-KAN for Long-Term Time Series Forecasting
• Title（参考訳）: DecompKAN: 長期連続予測のためのPatch-KANの分解
• Authors: Naveen Mysore,
• Abstract要約: DecompKANは、トレンド/残差分解、チャネルワイドパッチ、学習インスタンス正規化、およびB-スプラインのコルモゴロフ・アルノルドネットワーク(KAN)エッジ関数を組み合わせた軽量なアテンションレスアーキテクチャである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate time series forecasting in scientific domains such as climate modeling, physiological monitoring, and energy systems benefits from both competitive predictions and model transparency. This work proposes DecompKAN, a lightweight attention-free architecture that combines trend-residual decomposition, channel-wise patching, learned instance normalization, and B-spline Kolmogorov-Arnold Network (KAN) edge functions. Each KAN edge learns an explicit, inspectable 1D scalar function over learned patch-embedding coordinates that can be directly visualized. On standard benchmarks, DecompKAN achieves best or tied-best MSE on 15 of 32 dataset-horizon combinations among selected published baselines, and achieves best or tied-best MSE on 20 of 36 comparisons under a controlled same-recipe evaluation across 9 datasets including the physiological PPG-DaLiA benchmark. The architecture shows particular strength on datasets with smooth temporal dynamics (Solar -17%, ECL -10% vs. iTransformer, Weather) and physiological time series. Visualization of learned edge functions reveals qualitatively different latent nonlinearities across domains. Ablation analysis shows that the architectural pipeline (decomposition, patching, normalization) drives performance more than the choice of nonlinear layer, while the KAN formulation enables inspection of learned latent transformations.
• Abstract（参考訳）: 気候モデリング、生理モニタリング、エネルギーシステムといった科学分野における正確な時系列予測は、競合予測とモデルの透明性の両方から恩恵を受ける。 この研究は、トレンド/残差分解、チャネルワイドパッチ、学習インスタンス正規化、およびB-spline Kolmogorov-Arnold Network (KAN)エッジ関数を組み合わせた軽量な注目レスアーキテクチャであるDecompKANを提案する。 それぞれのkanエッジは、学習されたパッチ埋め込み座標を直接視覚化できる明示的で検査可能な1Dスカラー関数を学習する。 標準ベンチマークでは、DecompKANは選択されたベースラインのうち、32のデータセット-水平の組み合わせのうち15のデータセット-水平の組み合わせでベストまたはタイトベストのMSEを達成し、生理的PPG-DaLiAベンチマークを含む9つのデータセットで制御された同値評価の下で、36のベンチマークのうち20のデータセットでベストまたはタイトベストのMSEを達成している。 このアーキテクチャは、スムーズな時間的ダイナミクス(Solar -17%, ECL-10% vs. iTransformer, Weather)と生理学的時系列を持つデータセットに特異的な強度を示す。 学習したエッジ関数の可視化は、ドメイン間で定性的に異なる潜在非線形性を示す。 アブレーション解析により, アーキテクチャパイプライン (分解, パッチ, 正規化) が非線形層選択よりも性能を向上し, KA の定式化により学習潜時変換の検査が可能となった。

関連論文リスト

• Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
  CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。 ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
  論文  参考訳（メタデータ） (2026-02-16T13:53:23Z)
• Structural Compositional Function Networks: Interpretable Functional Compositions for Tabular Discovery [4.8369208007394215]
  本稿では,構造構成ネットワーク(Structure compositional Networks, StructureCFN)を提案する。 私たちのフレームワークは構造化知識統合を可能にし、ドメイン固有のリレーショナル事前をアーキテクチャに直接注入して発見を導くことができます。 我々は18ベンチマークで厳密な10倍のクロスバリデーションスイートにまたがる構造CFNを評価し,統計的に有意な改善を示した。
  論文  参考訳（メタデータ） (2026-01-27T20:20:07Z)
• PCR-ORB: Enhanced ORB-SLAM3 with Point Cloud Refinement Using Deep Learning-Based Dynamic Object Filtering [0.0]
  ORB-SLAM3フレームワークは、ディープラーニングベースのポイントクラウド改善を統合し、動的オブジェクト干渉を緩和する。 YOLOv8セマンティックセグメンテーションと地上加速処理を組み合わせることでリアルタイムなパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-12-29T09:10:31Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• 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)
• Inter-layer Transition in Neural Architecture Search [89.00449751022771]
  本論文では、連結エッジのアーキテクチャ重み間の依存性を明示的にモデル化する。 5つのベンチマーク実験により、層間依存性のモデル化の価値を確認し、提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-30T03:33:52Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。