論文の概要: SeesawNet: Towards Non-stationary Time Series Forecasting with Balanced Modeling of Common and Specific Dependencies

• arxiv url: http://arxiv.org/abs/2605.14551v1
• Date: Thu, 14 May 2026 08:29:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-16 00:43:04.111338
• Title: SeesawNet: Towards Non-stationary Time Series Forecasting with Balanced Modeling of Common and Specific Dependencies
• Title（参考訳）: SeesawNet: 共通および特定依存のバランスモデリングによる非定常時系列予測を目指して
• Authors: Hao Li, Lu Zhang, Liu Chong, Yankai Chen, Pengyang Wang, Yingjie Zhou,
• Abstract要約: SeesawNetは、時間次元とチャネル次元の両方で、共通およびインスタンス固有の依存性モデリングのバランスをとる統一アーキテクチャである。 コアとなるAdaptive Stationary-Nonstationary Attention (ASNA)は、正規化されたシーケンスからの共通依存関係と、生のシーケンスからの特定の依存関係をキャプチャする。 ASNAを基盤として構築されたSeesawNetは、時間的およびチャネル関係のモデリングを交互に行い、長距離およびクロス変数の依存関係を共同でキャプチャする。
• 参考スコア（独自算出の注目度）: 27.260310284240248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instance normalization (IN) is widely used in non-stationary multivariate time series forecasting to reduce distribution shifts and highlight common patterns across samples. However, IN can over-smooth instance-specific structural information that is essential for modeling temporal and cross-channel heterogeneity. While prior methods further suppress distribution discrepancies or attempt to recover temporal specific dependencies, they often ignore a central tension: how to adaptively model common and instance-specific dependency based on each instance's non-stationary structures. To address this dilemma, we propose SeesawNet, a unified architecture that dynamically balances common and instance-specific dependency modeling in both temporal and channel dimensions. At its core is Adaptive Stationary-Nonstationary Attention (ASNA), which captures common dependencies from normalized sequences and specific dependencies from raw sequences, and adaptively fuses them according to instance-level non-stationarity. Built upon ASNA, SeesawNet alternates dedicated temporal and channel relationship modeling to jointly capture long-range and cross-variable dependencies. Extensive experiments on multiple real-world benchmarks demonstrate that SeesawNet consistently outperforms state-of-the-art methods.
• Abstract（参考訳）: インスタンス正規化(IN)は、分布シフトの低減とサンプル間の共通パターンの強調のために、非定常多変量時系列予測において広く使われている。 しかし、INは時間的およびチャネル間の不均一性をモデル化するのに不可欠な、インスタンス固有の構造情報を過度に滑らかにすることができる。 従来のメソッドは、分散の相違をさらに抑制したり、時間的な特定の依存関係を回復しようとするが、各インスタンスの非定常構造に基づいて、共通およびインスタンス固有の依存関係を適応的にモデル化する方法という、中央の緊張を無視することが多い。 このジレンマに対処するために、時間次元とチャネル次元の両方で共通およびインスタンス固有の依存性モデリングを動的にバランスする統合アーキテクチャであるSeesawNetを提案する。 コアとなるAdaptive Stationary-Nonstationary Attention (ASNA)は、正規化されたシーケンスからの共通依存関係と生のシーケンスからの特定の依存関係をキャプチャし、インスタンスレベルの非定常性に応じてそれらを適応的に融合する。 ASNAを基盤として構築されたSeesawNetは、時間的およびチャネル関係のモデリングを交互に行い、長距離およびクロス変数の依存関係を共同でキャプチャする。 複数の実世界のベンチマークに関する大規模な実験は、SeesawNetが最先端の手法を一貫して上回っていることを示している。

関連論文リスト

• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• Beyond Marginals: Learning Joint Spatio-Temporal Patterns for Multivariate Anomaly Detection [2.893006778402251]
  時系列データでは、関連時系列の同時ずれにより異常を示すことができる。 我々のアプローチは、潜在空間における結合依存をモデル化することでこの問題に対処する。
  論文  参考訳（メタデータ） (2025-09-18T14:57:55Z)
• DeCoP: Enhancing Self-Supervised Time Series Representation with Dependency Controlled Pre-training [39.30046923897652]
  本稿では、動的でマルチスケールな依存関係を、進化するパッチ間の依存関係をシミュレートすることで、明示的にモデル化する依存性制御事前学習フレームワークを提案する。 DeCoPは、低いコンピューティングリソースを持つ10のデータセットに対して最先端の結果を達成し、わずか37%のFLOPを使用して、PatchTST上のETTh1上でMSEを3%改善する。
  論文  参考訳（メタデータ） (2025-09-18T05:44:06Z)
• DisenTS: Disentangled Channel Evolving Pattern Modeling for Multivariate Time Series Forecasting [43.071713191702486]
  DisenTSは、一般的な時系列予測において、不整合チャネル進化パターンをモデル化するための調整されたフレームワークである。 本稿では,予測器の状態と入力系列の特性の両方に応じて適応的にルーティング信号を生成する,新しいフォアキャスタ・アウェアゲート(FAG)モジュールを提案する。
  論文  参考訳（メタデータ） (2024-10-30T12:46:14Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
  実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。 本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Variational Conditional Dependence Hidden Markov Models for Skeleton-Based Action Recognition [7.9603223299524535]
  本稿では、時間変化の時間依存性パターンをキャプチャする問題に対処するために、従来の逐次モデリング手法を再検討する。 我々は、過去のフレームへの依存を動的に推定するHMMの異なる定式化を提案する。 フォワード・バックワード・アルゴリズムに基づく抽出可能な推論アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-02-13T23:18:52Z)

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。