論文の概要: Preliminary Insights in Chronos Frequency Data Understanding and Reconstruction

• arxiv url: http://arxiv.org/abs/2605.06361v1
• Date: Thu, 07 May 2026 14:37:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.912739
• Title: Preliminary Insights in Chronos Frequency Data Understanding and Reconstruction
• Title（参考訳）: 時間周波数データの理解と再構成に関する予備的考察
• Authors: Alessandro Pagani, Marco Cominelli, Liying Han, Gaofeng Dong, Sergio Benini, Francesco Gringoli, Mattia Savardi, Mani B. Srivastava, Trevor Bihl, Erik P. Blasch, Daniel O. Brigham, Kara Combs, Lance M. Kaplan, Federico Cerutti,
• Abstract要約: 時系列データを処理する基盤モデルは、実践者が一般的な時間表現を学習できる統一アーキテクチャを提供する。 採用が増えているにもかかわらず、そのようなモデルが基本的な信号特性を符号化する範囲は依然として不十分である。 オンライン最小記述長プローブを用いて、モデルの内部表現における周波数情報の存在と分離性をテストする。
• 参考スコア（独自算出の注目度）: 37.58968387141567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a preliminary analysis of the ability of Chronos foundation model to process and internally represent frequency domain information. Foundation models that process time-series data offer practitioners a unified architecture capable of learning generic temporal representations across diverse tasks and domains, reducing the need for task-specific feature engineering and enabling transfer across signal modalities. Despite their growing adoption, the extent to which such models encode fundamental signal properties remains insufficiently characterised. We address this gap by analysing Chronos under controlled conditions, starting from the simplest class of signals: discrete sinusoids generated at fixed frequencies. Using lightweight online minimum description length probes applied to the decoder architecture, we test for the presence and separability of frequency information in the model's internal representations. The results provide insight into how frequential content is captured across the frequency spectrum and highlight regimes in which representation quality may degrade or require particular care. These findings offer practical guidance for users of Chronos in signal processing and information fusion contexts, and contribute to ongoing efforts to improve the interpretability and evaluation of foundation models for temporal data.
• Abstract（参考訳）: 本稿では,クロノス基礎モデルの周波数領域情報の処理および内部表現能力について予備解析を行った。 時系列データを処理するファウンデーションモデルは、実践者が様々なタスクやドメインにまたがる一般的な時間的表現を学習し、タスク固有の機能エンジニアリングの必要性を減らし、信号モダリティ間の転送を可能にする統一アーキテクチャを提供する。 採用が増えているにもかかわらず、そのようなモデルが基本的な信号特性を符号化する範囲は依然として不十分である。 制御条件下でChronosを解析することで、このギャップに対処する:最も単純な信号のクラス、すなわち固定周波数で生成された離散正弦波。 デコーダアーキテクチャに適用した軽量なオンライン最小記述長プローブを用いて、モデルの内部表現における周波数情報の存在と分離性をテストする。 その結果、周波数スペクトルをまたいだ頻繁なコンテンツがどのように捉えられ、表現品質が低下するか、特定のケアを必要とするのかを強調できる。 これらの知見は,Chronosの信号処理および情報融合コンテキストにおけるユーザへの実践的ガイダンスを提供し,時間的データに対する基礎モデルの解釈可能性の向上と評価に寄与している。

関連論文リスト

• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• 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)
• 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)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• Learnable Wavelet Packet Transform for Data-Adapted Spectrograms [0.0]
  学習可能なウェーブレットパケット変換のためのフレームワークを提案し,データから自動的に特徴を学習する。 学習した機能はスペクトログラムとして表現することができ、データセットの重要な時間周波数情報を含んでいる。 提案手法の特性と性能を,改良されたスペクトルリークを評価し,音響モニタリングのための異常検出タスクに適用することにより評価した。
  論文  参考訳（メタデータ） (2022-01-26T17:28:17Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• Unsupervised Representation Learning for Time Series with Temporal Neighborhood Coding [8.45908939323268]
  非定常時系列に対する一般化可能な表現を学習するための自己教師型フレームワークを提案する。 我々のモチベーションは、時系列データの動的性質をモデル化する能力が特に有用である医療分野に起因している。
  論文  参考訳（メタデータ） (2021-06-01T19:53:24Z)
• Bayesian Reconstruction of Fourier Pairs [21.104218472462907]
  一般的な文献は、観測結果の欠如や、ノイズの破損したデータには耐えられない。 我々の目的は、時間領域と周波数領域において、不特定に取得されたデータの原則的処理の欠如に対処することである。 提案モデルでは,実環境におけるオーディオ,医療,天文学的信号の共用時間と周波数再構成が可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-09T17:30:24Z)

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。