論文の概要: BARFI-Q: Quantum-Enhanced Block Attention Residual Fusion Framework for Multivariate Time-Series Forecasting in Atom Interferometry

• arxiv url: http://arxiv.org/abs/2605.05394v1
• Date: Wed, 06 May 2026 19:26:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.394253
• Title: BARFI-Q: Quantum-Enhanced Block Attention Residual Fusion Framework for Multivariate Time-Series Forecasting in Atom Interferometry
• Title（参考訳）: BARFI-Q:原子干渉計における多変量時系列予測のための量子強化ブロック注意残差融合フレームワーク
• Abstract要約: 本稿では,原子間干渉法における時系列予測のための量子化ブロック注意残差融合フレームワークを提案する。 BarFI-Qは、パッチベースの埋め込み、デュアルブランチ時間モデリング、階層的融合、適応的ブロックアテンション残留集合、および量子フィーチャマッピングモジュールを統合する。 その結果,マルチスケールの時間的学習,階層的融合,適応的残差ルーティング,量子化潜在変換が,原子干渉計測による時系列予測に有効な枠組みであることが示唆された。
• 参考スコア（独自算出の注目度）: 3.2350449526046567
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Atom interferometry generates heterogeneous multivariate temporal streams governed by phase evolution, fringe dynamics, control variables, and auxiliary sensing measurements. Accurate forecasting of these signals is important for predictive monitoring, phase correction, and intelligent quantum sensing, but it requires effective modeling of long-range temporal dependencies and interactions among multiple sensing sources. This paper proposes BARFI-Q, a Quantum-Enhanced Block Attention Residual Fusion framework for multivariate time-series forecasting in atom interferometry. BARFI-Q integrates patch-based embedding, dual-branch temporal modeling, hierarchical fusion, adaptive block-attention residual aggregation, and a quantum feature-mapping module. Unlike conventional Transformer-based forecasting models with fixed additive residual paths, BARFI-Q adaptively reuses cross-depth information and enhances the fused latent representation through quantum feature mapping. To respect phase periodicity, the forecasting target is represented in circular space using sine and cosine components. Experiments show that BARFI-Q consistently outperforms strong baseline models across repeated runs and different historical window sizes. Fusion ablation results further confirm the benefit of jointly modeling channel-wise and spatial feature interactions. These results indicate that multiscale temporal learning, hierarchical fusion, adaptive residual routing, and quantum-enhanced latent transformation provide an effective framework for atom-interferometric time-series forecasting.
• Abstract（参考訳）: Atomインターフェロメトリは、位相進化、フリンジダイナミクス、制御変数、補助センシング測定によって支配される異種多変量時間ストリームを生成する。 これらの信号の正確な予測は、予測監視、位相補正、インテリジェント量子センシングにおいて重要であるが、複数のセンシング源間の長距離時間依存性と相互作用を効果的にモデル化する必要がある。 本稿では,原子間干渉法における多変量時系列予測のための量子強化ブロック注意残差融合フレームワークであるBARFI-Qを提案する。 BARFI-Qは、パッチベースの埋め込み、デュアルブランチ時間モデリング、階層的融合、適応的ブロックアテンション残留集合、および量子フィーチャマッピングモジュールを統合する。 固定加算残差経路を持つ従来のTransformerベースの予測モデルとは異なり、BARFI-Qはクロスディープス情報を適応的に再利用し、量子特徴写像を通じて融合潜時表現を強化する。 位相周期性を尊重するため、予測対象は正弦成分と正弦成分を用いて円形空間で表現される。 実験により、BARFI-Qは繰り返し実行と異なる履歴ウィンドウサイズで、強いベースラインモデルより一貫して優れていることが示された。 融合アブレーションの結果は、チャネルワイドと空間的特徴相互作用を共同でモデル化する利点をさらに裏付ける。 これらの結果は,マルチスケールの時間的学習,階層的融合,適応的残差ルーティング,量子化潜在変換が,原子干渉計測による時系列予測に有効な枠組みであることを示唆している。

関連論文リスト

• A Quantum-Classical Hybrid Framework for Multivariate Time-Series Forecasting Complexity-Fidelity Trade-offs and Limitations [4.77829808535938]
  本稿では,2種類のモデル変種であるQuantum Reservoir Forecaster (QRC-F) と変分量子予測器 (VQF-F) を紹介する。 提案フレームワークは,NISQハードウェア制約下での量子予測の複雑性-忠実トレードオフについて検討する。 その結果、NISQデバイスに展開する可能性の強い実用的な量子ネイティブ予測フレームワークが確立された。
  論文  参考訳（メタデータ） (2026-07-17T10:30:12Z)
• PQFA: Parallel Quantum Feature Augmentation of Fused Representations for Multimodal Classification [2.920575300184085]
  混合量子古典的フレームワークであるParallel Quantum Feature Augmentation (PQFA)を提案する。 MM-IMDbとN24-NewsのPQFAを,同じエンコーダ,融合バックボーン,データ分割,投影次元,拡張パラメータを用いて比較した。
  論文  参考訳（メタデータ） (2026-07-15T05:53:58Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• PAMNet: Cycle-aware Phase-Amplitude Modulation Network for Multivariate Time Series Forecasting [42.86661738011748]
  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。
  論文  参考訳（メタデータ） (2026-05-01T06:59:59Z)
• UniMamba: A Unified Spatial-Temporal Modeling Framework with State-Space and Attention Integration [24.102050375727263]
  UniMambaは、統合された時空間予測フレームワークである。 これは、効率的な状態空間のダイナミクスと注意に基づく依存性学習を統合する。 予測精度と計算効率の両方において、最先端の予測モデルより一貫して優れている。
  論文  参考訳（メタデータ） (2026-03-06T05:00:28Z)
• 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)
• 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)
• Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
  既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。 拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。 LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
  論文  参考訳（メタデータ） (2025-11-11T08:40:28Z)
• Multi-modal Adaptive Estimation for Temporal Respiratory Disease Outbreak [8.861941883057098]
  MAESTROは、スペクトル時間モデリングとマルチモーダルデータ融合を統合する、新しく統一されたフレームワークである。 香港の11年以上のデータから評価すると、MAESTRO は R-square 0.956 に適合する優れたモデルを実現している。 モジュラーで再現可能なパイプラインは、他の地域や病原体への展開と拡張を容易にするために公開されている。
  論文  参考訳（メタデータ） (2025-09-10T13:27:40Z)
• 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)
• Integrating Quantum-Classical Attention in Patch Transformers for Enhanced Time Series Forecasting [4.580983642743026]
  QCAAPatchTFは、高度なパッチベースの変換器と統合された量子アテンションネットワークである。 量子重ね合わせ、絡み合い、および変分量子固有解法原理を活用すること。 QCAAPatchTFは、長期および短期の予測、分類、異常検出タスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-31T17:23:36Z)
• 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)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)

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。