論文の概要: Perceive, Route and Modulate: Dynamic Pattern Recalibration for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.06310v1
• Date: Thu, 07 May 2026 14:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.879512
• Title: Perceive, Route and Modulate: Dynamic Pattern Recalibration for Time Series Forecasting
• Title（参考訳）: 知覚・経路・変調:時系列予測のための動的パターン補正
• Authors: Siru Zhong, Zhao Meng, Haohuan Fu, Haoyang Li, Qingsong Wen, Yuxuan Liang,
• Abstract要約: 現在の深い予測モデルは、すべての時間トークンに一様に適用される固定重み行列に依存している。 トークンレベルの再校正によってこれを解決するバックボーンに依存しないメカニズムであるDynamic Pattern Recalibrationを導入する。 DPRNetは12ベンチマークで競合性能を達成し、マクロパラメータスケーリングに対する動的リカバリを検証する。
• 参考スコア（独自算出の注目度）: 68.53528085362642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Local temporal patterns in real-world time series continuously shift, rendering globally shared transformations suboptimal. Current deep forecasting models, despite their scale and complexity, rely on fixed weight matrices applied uniformly to all temporal tokens. This creates a static pattern response: models settle into a compromised average, unable to adapt to changing local dynamics. We introduce Dynamic Pattern Recalibration (DPR), a backbone-agnostic mechanism that resolves this via token-level recalibration. Through a lightweight "Perceive-Route-Modulate" pipeline, DPR computes a soft-routing distribution over a learned basis of adaptive response patterns, generating a time-aware modulation vector that recalibrates hidden states via a residual Hadamard product. As a backbone-agnostic adapter, DPR enhances forecasting across diverse architectures with minimal overhead, confirming it addresses a general bottleneck. As a minimalist standalone model, DPRNet achieves competitive performance across 12 benchmarks, validating dynamic recalibration against macroscopic parameter scaling.
• Abstract（参考訳）: 実世界の時系列における局所的時間パターンは連続的に変化し、グローバルに共有される変換が最適である。 現在の深層予測モデルは、そのスケールと複雑さにもかかわらず、すべての時間トークンに一様に適用された固定重量行列に依存している。 モデルは妥協された平均値に落ち着き、局所的なダイナミクスの変化に適応できない。 トークンレベルの再校正によってこれを解決するバックボーン非依存のメカニズムであるDynamic Pattern Recalibration (DPR)を導入する。 軽量な"Perceive-Route-Modulate"パイプラインを通じて、DPRは適応応答パターンの学習に基づくソフトルーティング分布を計算し、残留するアダマール積を介して隠れた状態を補正する時間認識変調ベクトルを生成する。 バックボーンに依存しないアダプタとして、DPRはオーバーヘッドを最小限にして、さまざまなアーキテクチャの予測を強化し、一般的なボトルネックに対処する。 最小限のスタンドアロンモデルとして、DPRNetは12のベンチマークで競合性能を達成し、マクロパラメータスケーリングに対する動的リカバリを検証する。

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)
• Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
  パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。 この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。 力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
  論文  参考訳（メタデータ） (2026-02-26T16:43:28Z)
• Leveraging Duration Pseudo-Embeddings in Multilevel LSTM and GCN Hypermodels for Outcome-Oriented PPM [4.120576565537633]
  予測プロセス監視(PPM)のための既存のディープラーニングモデルは、時間的不規則性に悩まされている。 本稿では,イベント属性とシーケンス属性を分離する2つの入力ニューラルネットワーク戦略を提案する。 提案手法の利点を実証し,実世界の堅牢なPPMアプリケーションのためのフレキシブルな設計を提供する。
  論文  参考訳（メタデータ） (2025-11-24T07:06:08Z)
• EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting [50.794700596484894]
  IntroPE(Entropy-Guided Dynamic Patch)は,条件付きエントロピーによる遷移点を動的に検出する新しい時間情報フレームワークである。 これは、パッチの計算上の利点を維持しながら、時間構造を保存する。 長期予測ベンチマークによる実験では、EntroPEは精度と効率の両方を改善している。
  論文  参考訳（メタデータ） (2025-09-30T12:09:56Z)
• Generative Models for Long Time Series: Approximately Equivariant Recurrent Network Structures for an Adjusted Training Scheme [4.327763441385371]
  本稿では,連続層を有する変分オートエンコーダ(VAE)に基づく時系列データに対する簡易かつ効果的な生成モデルを提案する。 本手法では,シーケンス長を漸進的に向上させる適応型トレーニング手法を提案する。 リカレントアーキテクチャを利用することで、モデルはシーケンス長に関係なく定数数のパラメータを保持する。
  論文  参考訳（メタデータ） (2025-05-08T07:52:37Z)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Deep Neural Dynamic Bayesian Networks applied to EEG sleep spindles modeling [0.0]
  本稿では,視覚的スコアリングにおいて専門家が積極的に実施する制約を組み込んだ単一チャネル脳波生成モデルを提案する。 我々は、一般化期待最大化の特別な場合として、正確に、抽出可能な推論のためのアルゴリズムを導出する。 我々は、このモデルを3つの公開データセット上で検証し、より複雑なモデルが最先端の検出器を越えられるように支援する。
  論文  参考訳（メタデータ） (2020-10-16T21:48:29Z)
• TAM: Temporal Adaptive Module for Video Recognition [60.83208364110288]
  時間適応モジュール(bf TAM)は、自身の特徴マップに基づいてビデオ固有の時間カーネルを生成する。 Kinetics-400およびSomethingデータセットの実験は、我々のTAMが他の時間的モデリング手法より一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2020-05-14T08:22:45Z)

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。