論文の概要: NPMixer: Hierarchical Neighboring Patch Mixing for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.07476v1
• Date: Fri, 08 May 2026 09:22:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.948935
• Title: NPMixer: Hierarchical Neighboring Patch Mixing for Time Series Forecasting
• Title（参考訳）: NPMixer: 時系列予測のための階層的隣接パッチ混合
• Authors: Jung Min Choi, Vijaya Krishna Yalavarthi, Lars Schmidt-Thieme,
• Abstract要約: NPMixerは最先端モデルより一貫して優れており、28点中20点でパフォーマンスが向上している。 7つのベンチマークデータセットの実験により、NPMixerは最先端モデルよりも一貫して優れていることが示された。
• 参考スコア（独自算出の注目度）: 10.068780251829606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series forecasting remains a challenge due to the complexity of local temporal dynamics and global dependencies across multiple variables. In this paper, we propose \textbf{N}eighboring \textbf{P}atching \textbf{Mixer} (\textbf{NPMixer}), a hierarchical architecture featuring a Learnable Stationary Wavelet Transform that adaptively learns filter coefficients to decompose signals into trend and detail components in a data-dependent manner. Our framework introduces a Neighboring Mixer Block that captures local temporal dynamics through a series of hierarchical MLP layers operating on non-overlapping patches. Specifically, the mixer block utilizes MLPs to learn temporal patterns within and across these patches, expanding the receptive field to capture multi-scale dependencies. A Channel-Mixing Encoder is applied to high-frequency components to learn channel correlations while preserving the stability of the underlying global trend. Extensive experiments on seven benchmark datasets demonstrate that NPMixer consistently outperforms state-of-the-art models, achieving better performance in 20 out of 28 ($71.4\%$) evaluated experimental setups for MSE.
• Abstract（参考訳）: 多変量時系列予測は、局所的時間的ダイナミクスと複数の変数にわたる大域的依存関係の複雑さのため、依然として課題である。 本稿では、適応的にフィルタ係数を学習し、信号の傾向と詳細をデータ依存の方法で分解する、学習可能な定常ウェーブレット変換を特徴とする階層アーキテクチャである、textbf{N}eighboring \textbf{P}atching \textbf{Mixer} (\textbf{NPMixer})を提案する。 我々のフレームワークは、非重複パッチで動作する一連の階層的MLP層を通して、局所的時間的ダイナミクスをキャプチャするNeighboring Mixer Blockを導入している。 具体的には、ミキサーブロックはMPPを使用してパッチ内および横断的な時間パターンを学習し、受信フィールドを拡張してマルチスケールの依存関係をキャプチャする。 チャネル・ミキシング・エンコーダを高周波成分に適用し、チャネル相関を学習し、基礎となるグローバルトレンドの安定性を保っている。 7つのベンチマークデータセットに対する大規模な実験は、NPMixerが常に最先端モデルより優れており、MSEの試験的なセットアップとして評価された28(71.4\%$)のうち20でより良いパフォーマンスを実現していることを示している。

関連論文リスト

• SDMixer: Sparse Dual-Mixer for Time Series Forecasting [8.124083509364981]
  本稿では、周波数領域と時間領域の両方のシーケンスから大域的トレンドと局所的動的特徴を抽出する二重ストリームスパース予測フレームワークを提案する。 無効な情報をフィルタリングするスパーシティメカニズムを採用しており、それによって相互変数依存性モデリングの精度が向上する。
  論文  参考訳（メタデータ） (2026-02-27T01:13:56Z)
• HPMixer: Hierarchical Patching for Multivariate Time Series Forecasting [10.068780251829606]
  本稿では,階層型パッチミキサー (HPMixer) を提案する。 分離周期性モデリングと構造化されたマルチスケール残差学習を統合することで、HPMixerは効果的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-02-18T13:59:04Z)
• Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
  Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。 FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。 推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
  論文  参考訳（メタデータ） (2026-02-12T18:54:57Z)
• DPWMixer: Dual-Path Wavelet Mixer for Long-Term Time Series Forecasting [6.01829429039985]
  長期時系列予測は計算知能において重要な課題である。 本稿では,計算効率の良いDual-PathアーキテクチャDPWMixerを提案する。 8つの公開ベンチマーク実験により,本手法は最先端のベースラインよりも一貫した改善を達成できることが示された。
  論文  参考訳（メタデータ） (2025-11-30T03:12:50Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [57.577843653775]
  textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。 マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
  論文  参考訳（メタデータ） (2025-07-07T04:09:45Z)
• IIP-Mixer:Intra-Inter Patch Mixing Architecture for Battery Remaining Useful Life Prediction [2.6024829904078994]
  Intra-Inter Patch Mixer (IIP-Mixer) と呼ばれる単純なミクサーベースアーキテクチャを提案する。 IIP-Mixerは、他の一般的な時系列フレームワークよりも優れたバッテリRUL予測において、競合的なパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-03-27T09:17:50Z)
• PowMix: A Versatile Regularizer for Multimodal Sentiment Analysis [71.8946280170493]
  本稿では,単相混合型正規化手法の強みを生かした汎用な埋め込み空間正規化器であるPowMixを紹介する。 PowMixはマルチモーダルアーキテクチャの融合段階の前に統合され、テキストとテキストを混合するなどのモダル内混合を容易にし、レギュレータとして機能する。
  論文  参考訳（メタデータ） (2023-12-19T17:01:58Z)
• Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
  Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。 本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。 DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
  論文  参考訳（メタデータ） (2022-03-21T07:12:18Z)

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。