論文の概要: PAMNet: Cycle-aware Phase-Amplitude Modulation Network for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.02938v1
• Date: Fri, 01 May 2026 06:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.51799
• Title: PAMNet: Cycle-aware Phase-Amplitude Modulation Network for Multivariate Time Series Forecasting
• Title（参考訳）: PAMNet:多変量時系列予測のための周期対応位相振幅変調ネットワーク
• Authors: Yingbo Zhou, Yutong Ye, Zhiwei Ling, Shuhao Li, Rui Qian, Jian Xiong, Li Sun, Dejing Dou,
• Abstract要約: 本稿では,周期パターンを相補的な位相および振幅成分に明示的に分解する周期型位相振幅変調ネットワーク(PAMNet)を提案する。 本手法は,その新しい位相振幅デカップリング機構により,最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 42.86661738011748
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable periodic patterns serve as a fundamental basis for accurate multivariate time series forecasting. However, existing methods either implicitly extract periodicity through complex model architectures (e.g., Transformers) with high computational overhead or overlook the intrinsic phase-amplitude coupling when modeling periodic components explicitly. To address these issues, we propose a novel Cycle-aware Phase-Amplitude Modulation Network (PAMNet) that explicitly decomposes periodic patterns into complementary phase and amplitude components. The core innovation lies in its dual-branch modulator, featuring dedicated learnable embeddings for phase positioning and amplitude modulation. The phase branch employs cyclical embeddings to capture phase-dependent mean shifts, while the amplitude branch models intensity variations to adapt to changes in variance. A lightweight modulator with element-wise fusion efficiently combines these components, enabling explicit modeling of their interactions without complex attention mechanisms. Extensive experiments on twelve real-world datasets demonstrate that our method achieves state-of-the-art performance through its novel phase-amplitude decoupling mechanism, offering a new perspective for cyclical modeling in time series forecasting.
• Abstract（参考訳）: 信頼性のある周期パターンは、正確な多変量時系列予測の基礎となる。 しかし、既存の手法では、計算オーバーヘッドの高い複雑なモデルアーキテクチャ(例えば、トランスフォーマー)を通して周期性を暗黙的に抽出するか、周期成分を明示的にモデル化する際に固有の位相振幅結合を見落としている。 これらの問題に対処するために,周期パターンを相補的な位相および振幅成分に明示的に分解する新しい周期対応位相振幅変調ネットワーク(PAMNet)を提案する。 中心となるイノベーションはデュアルブランチ変調器にあり、位相位置決めと振幅変調のための専用の学習可能な埋め込みを備えている。 位相分岐は周期的な埋め込みを用いて位相依存平均シフトを捕捉し、振幅分岐は分散の変化に適応するために強度変化をモデル化する。 元素核融合を持つ軽量変調器はこれらの成分を効率的に組み合わせ、複雑な注意機構を使わずに相互作用の明示的なモデリングを可能にする。 実世界の12のデータセットに対する大規模な実験により,本手法は新たな位相振幅デカップリング機構により最先端の性能を達成し,時系列予測における循環モデルの新しい視点を提供する。

関連論文リスト

• PAMod: Modeling Cyclical Shifts via Phase-Amplitude Modulation for Non-stationary Time Series Forecasting [59.88916926133985]
  正規化特徴空間における位相振幅変調による循環分布シフトをモデル化するフレームワークPAModを提案する。 PAModは計算資源を減らして最先端の性能を実現する。 我々の変調機構は,プラグイン・アンド・プレイ技術として,既存の時系列予測手法を簡易な統合で改善することができる。
  論文  参考訳（メタデータ） (2026-05-01T07:09:23Z)
• TFWaveFormer: Temporal-Frequency Collaborative Multi-level Wavelet Transformer for Dynamic Link Prediction [13.707047958676482]
  本稿では、時間周波数解析とウェーブレット分解を統合し、動的リンク予測を強化する新しいトランスフォーマーアーキテクチャTFWaveFormerを提案する。 i) 時間的およびスペクトル的表現を協調的にモデル化する時間周波数調整機構,(ii) 並列畳み込みによって多スケールの時間的パターンを適応的に抽出する学習可能なマルチレゾリューション・ウェーブレット分解モジュール,(iii) 局所的なウェーブレット特徴とグローバルな時間的依存関係を効果的に融合するハイブリッドトランスフォーマーモジュールである。
  論文  参考訳（メタデータ） (2026-03-04T11:47:57Z)
• TimeSynth: A Framework for Uncovering Systematic Biases in Time Series Forecasting [0.9332987715848716]
  Time Synthは、リアルタイム時系列の重要な特性をエミュレートする構造化されたフレームワークである。 リニア、マルチレイヤパーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、トランスフォーマーの4つのモデル群を評価する。
  論文  参考訳（メタデータ） (2026-02-11T22:31:29Z)
• DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
  既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。 動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
  論文  参考訳（メタデータ） (2026-02-06T10:48:13Z)
• Kuramoto Orientation Diffusion Models [67.0711709825854]
  指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。 生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。 一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
  論文  参考訳（メタデータ） (2025-09-18T18:18:49Z)
• Stationarity Exploration for Multivariate Time Series Forecasting [16.66747488602513]
  APRNet(Amplitude-Phase Reconstruct Network)を提案する。 APRNetは振幅と位相の相互関係をモデル化し、振幅と位相が異なる物理量で制約されるのを防ぐ。 局所関数に適応的に適合する新しいKLCモジュールを提案する。
  論文  参考訳（メタデータ） (2025-08-12T13:15:51Z)
• KFS: KAN based adaptive Frequency Selection learning architecture for long term time series forecasting [8.839783121363835]
  そこで我々は,これらの課題に対処するために,KAを用いた適応周波数選択学習アーキテクチャ(KFS)を提案する。 このフレームワークは、クロススケールノイズ干渉と複雑なパターンモデリングから生じる予測問題に対処する。 複数の実世界の時系列データセットにまたがる実験により、KTは単純で効果的なアーキテクチャとして最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-08-01T13:50:57Z)
• 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)

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。