論文の概要: What If We Let Forecasting Forget? A Sparse Bottleneck for Cross-Variable Dependencies

• arxiv url: http://arxiv.org/abs/2605.08289v1
• Date: Fri, 08 May 2026 08:16:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.534953
• Title: What If We Let Forecasting Forget? A Sparse Bottleneck for Cross-Variable Dependencies
• Title（参考訳）: 予測を許すとしたらどうなるか? 相互依存のためのスパース・ボトルネック
• Abstract要約: 多変量時系列予測は多くの現実世界システムにおいて重要である。 実際のデータの依存関係は、しばしば状態に依存し、うるさい。 キャパシティ限定情報フローとして変数間相互作用を明示的にモデル化するスパース・ブートネック・フレームワークであるMS-FLOWを提案する。
• 参考スコア（独自算出の注目度）: 6.1337977581640075
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Multivariate time series forecasting is critical in many real-world systems, and thus modeling cross-channel dependencies is essential. Although existing methods improve overall accuracy by enhancing representations and cross-channel interactions, it remains challenging to reliably capture inter-variable dependencies under specific conditions. We observe that dependencies in real data are often state-dependent and noisy; in such cases, dense interactions can amplify spurious correlations and lead to representation over-smoothing, which may yield unreliable predictions in certain scenarios. Motivated by this, we propose MS-FLOW, a sparse-bottleneck framework that explicitly models inter-variable interaction as capacity-limited information flow. Specifically, MS-FLOW replaces fully connected communication with selective sparse routing, retaining only a few critical dependency paths and injecting cross-variable signals under a strict communication budget, thereby suppressing redundant connections and spurious-correlation propagation. Extensive experiments demonstrate that MS-FLOW learns more reliable multivariate correlations, achieving state-of-the-art forecasting accuracy on 12 real-world benchmarks while producing fewer yet more reliable dependencies, shifting multivariate forecasting from "more interaction" to "more effective interaction".
• Abstract（参考訳）: 多変量時系列予測は多くの実世界のシステムにおいて重要であり、したがってチャネル間の依存関係をモデル化することが不可欠である。 既存の手法では、表現やチャネル間相互作用の強化によって全体的な精度が向上するが、特定の条件下で変数間の依存関係を確実に捕捉することは困難である。 このような場合、密接な相互作用は突発的な相関を増幅し、表現の過度な平滑化を招き、特定のシナリオにおいて信頼できない予測をもたらす可能性がある。 キャパシティ限定情報フローとして変数間相互作用を明示的にモデル化するスパース・ブートネック・フレームワークであるMS-FLOWを提案する。 特に、MS-FLOWは、完全に接続された通信を選択的スパースルーティングに置き換え、いくつかの重要な依存性パスを保持し、厳密な通信予算の下でクロス変数信号を注入することで、冗長な接続を抑え、スプリアス相関伝播を抑える。 大規模な実験により、MS-FLOWはより信頼性の高い多変量相関を学習し、12の実世界のベンチマークで最先端の予測精度を達成しつつ、より信頼性の低い依存関係を創出し、マルチ変量予測を「より多くの相互作用」から「より効果的な相互作用」にシフトすることを示した。

関連論文リスト

• XCTFormer: Leveraging Cross-Channel and Cross-Time Dependencies for Enhanced Time-Series Analysis [10.642410240494238]
  XCTFormerはトランスフォーマーをベースとしたチャネル依存型(CD)モデルである。 XCTFormerは広く認知されているベースラインと比較して強い結果を得る。 MSEでは平均20.8%、MAEでは15.3%である。
  論文  参考訳（メタデータ） (2026-05-18T15:18:22Z)
• Improving Day-Ahead Grid Carbon Intensity Forecasting by Joint Modeling of Local-Temporal and Cross-Variable Dependencies Across Different Frequencies [3.1953619915392246]
  グリッドカーボン強度係数(CIF)の正確な予測は、現代の電力システムにおける需要側管理と排出削減に不可欠である。 ディープラーニングベースの手法の進歩にもかかわらず、きめ細かい局所的依存関係を捉えることは依然として困難である。 2つの並列モジュールを統合する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2026-01-10T11:20:55Z)
• 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)
• Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting [49.40321003932633]
  Adapformerは、効果的なチャネル管理を通じてCIとCD方法論のメリットをマージする、トランスフォーマーベースの高度なフレームワークである。 Adapformerは既存のモデルよりも優れた性能を実現し、予測精度と計算効率の両方を向上させる。
  論文  参考訳（メタデータ） (2025-11-18T16:24:05Z)
• CrossLinear: Plug-and-Play Cross-Correlation Embedding for Time Series Forecasting with Exogenous Variables [20.703629642499664]
  CrossLinearは、変数間の依存関係をモデリングする際の課題に対処する、線形ベースの新しい予測モデルである。 この軽量モジュールは、計算コストを最小限にして変数間の依存関係をキャプチャし、既存のニューラルネットワークにシームレスに統合する。 12の実世界のデータセットの実験では、CrossLinearは短期および長期の予測タスクにおいて優れたパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2025-05-29T05:34:40Z)
• TiVaT: A Transformer with a Single Unified Mechanism for Capturing Asynchronous Dependencies in Multivariate Time Series Forecasting [4.733959271565453]
  TiVaTは、単一の統一モジュール、JA(Joint-Axis)アテンションモジュールを組み込んだ新しいアーキテクチャである。 JA attentionモジュールは、特に非同期インタラクションをキャプチャする関連機能を動的に選択する。 大規模な実験では、さまざまなデータセットにわたるTiVaTの全体的なパフォーマンスが示されている。
  論文  参考訳（メタデータ） (2024-10-02T13:24:24Z)
• FCDNet: Frequency-Guided Complementary Dependency Modeling for Multivariate Time-Series Forecasting [9.083469629116784]
  時系列予測のための簡潔で効果的なフレームワークであるFCDNetを提案する。 多レベル周波数パターンから長期的および短期的依存情報を適応的に抽出する。 実験の結果、FCDNetは強いベースラインをはるかに超えることがわかった。
  論文  参考訳（メタデータ） (2023-12-27T07:29:52Z)
• Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [104.60508550106618]
  拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。 DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。 そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:47:33Z)
• Leveraging Diffusion Disentangled Representations to Mitigate Shortcuts in Underspecified Visual Tasks [92.32670915472099]
  拡散確率モデル(DPM)を用いた合成カウンターファクトの生成を利用したアンサンブルの多様化フレームワークを提案する。 拡散誘導型分散化は,データ収集を必要とする従来の手法に匹敵するアンサンブル多様性を達成し,ショートカットからの注意を回避できることを示す。
  論文  参考訳（メタデータ） (2023-10-03T17:37:52Z)
• Estimating Latent Population Flows from Aggregated Data via Inversing Multi-Marginal Optimal Transport [57.16851632525864]
  累積カウントデータから潜在人口フローを推定する問題について検討する。 この問題は、プライバシーの問題や測定の不確実性のために個々の軌道が利用できない場合に発生する。 我々はMOTフレームワークのコスト関数を学習し,集約データからの遷移フローを推定する。
  論文  参考訳（メタデータ） (2022-12-30T03:03:23Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

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。