論文の概要: PULSE: Generative Phase Evolution for Non-Stationary Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.16793v2
• Date: Wed, 20 May 2026 12:54:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 14:55:44.2224
• Title: PULSE: Generative Phase Evolution for Non-Stationary Time Series Forecasting
• Title（参考訳）: PULSE:非定常時系列予測のための生成相進化
• Authors: Yangyou Liu, Zezhi Shao, Xinyu Chen, Hu Chen, Fei Wang, Yuankai Wu,
• Abstract要約: 非定常条件下での時系列予測は、安定表現のキャプチャと分布シフトへの適応の間に根本的な緊張に直面している。 我々は、3つの物理仮説により非定常力学を定式化する: ウォルド分解、動的相の進化、ヘテロセダスティック多様体の生成。 これらの原理は、Distangle-Evolve-Simulateデザイン哲学を採用した物理インフォームドのプラグアンドプレイフレームワークであるPULSEを刺激した。
• 参考スコア（独自算出の注目度）: 18.36615425277525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting under non-stationarity faces a fundamental tension between capturing stable representations and adapting to distribution shifts. Existing methods implicitly rely on static historical assumptions, leading to a critical failure mode we term Phase Amnesia, where models become blind to the evolving global context. To resolve this, we formalize non-stationary dynamics through three physical hypotheses: wold decomposition, dynamical phase evolution, and heteroscedastic manifold generation. These principles inspire PULSE, a physics-informed, plug-and-play framework adopting a Disentangle--Evolve--Simulate design philosophy. Specifically, PULSE utilizes phase-anchored disentanglement to resolve optimization interference caused by dominant trends, employs a Phase Router to actively generate future trajectories, and introduces Statistic-Aware Mixup (SAM) to ensure robustness against out-of-distribution volatility. Empirically, PULSE enables a simple MLP backbone to achieve state-of-the-art or highly competitive performance across 12 real-world benchmarks. This validates that a correct physics-informed inductive bias is far more critical than raw architectural complexity for non-stationary forecasting. The code is available at: https://github.com/Gemost/PULSE.
• Abstract（参考訳）: 非定常条件下での時系列予測は、安定表現のキャプチャと分布シフトへの適応の間に根本的な緊張に直面している。 既存の手法は静的な歴史的仮定を暗黙的に頼りにしており、我々はフェーズ・アムネシア(Phase Amnesia)と呼ぶ重要な障害モードに繋がる。 これを解決するために、3つの物理仮説により非定常力学を定式化する。 これらの原理は、Distangle-Evolve--Simulateデザイン哲学を採用した物理インフォームド・プラグアンドプレイフレームワークであるPULSEを刺激した。 具体的には、PULSEは位相アンコレッドな絡み合いを利用して、支配的な傾向に起因する最適化の干渉を解消し、フェーズルータを用いて将来の軌道を積極的に生成し、統計アウェア・ミックス(SAM)を導入し、分布外ボラティリティに対する堅牢性を確保する。 実証的には、PULSEは単純なMPPバックボーンを使用して、12の現実世界のベンチマークで最先端または高い競争性能を達成することができる。 このことは、物理インフォームドインダクティブバイアスが非定常予測のアーキテクチャ上の複雑さよりもはるかに重要であることを証明している。 コードは、https://github.com/Gemost/PULSE.comで入手できる。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Early Decisions Matter: Proximity Bias and Initial Trajectory Shaping in Non-Autoregressive Diffusion Language Models [54.16797570104461]
  拡散ベースの言語モデル (dLLMs) は自己回帰型言語モデルに代わる有望な代替品として登場した。 時間軸に沿った推論ダイナミクスを系統的に解析し, dLLMの非自己回帰復号化について検討した。
  論文  参考訳（メタデータ） (2026-04-12T10:26:41Z)
• 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)
• EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
  EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。 我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。 EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-03-17T06:11:56Z)
• To See Far, Look Close: Evolutionary Forecasting for Long-term Time Series [27.499122225390092]
  DF(Direct Forecasting)パラダイムは、モデルに1回のフォワードパスで将来の地平線全体を予測させることによって、長期的な時系列予測(LTSF)を支配している。 本研究では,短地平線上で訓練されたモデルと提案した進化予測(EF)パラダイムを組み合わせることで,非直観的最適化の異常を明らかにする。
  論文  参考訳（メタデータ） (2026-01-30T16:02:27Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Lightweight Channel-wise Dynamic Fusion Model: Non-stationary Time Series Forecasting via Entropy Analysis [25.291749176117662]
  我々は、分散が時系列の非定常性に対する有効かつ解釈可能なプロキシであることを示す。 軽量なtextitChannel-wise textitDynamic textitFusion textitModel(textitCDFM)を提案する。 7つの時系列データセットに関する総合的な実験は、CDFMの優位性と一般化能力を示している。
  論文  参考訳（メタデータ） (2025-03-04T13:29:42Z)
• Benchmarking Autoregressive Conditional Diffusion Models for Turbulent Flow Simulation [26.520247496906492]
  本研究では,条件付き拡散モデルに基づく自動回帰ロールアウトを利用した完全データ駆動型流体解法が,この問題に対処するための有効な選択肢であるかどうかを解析する。 各種流速予測手法の性能を定量的に定性的に評価するために, 非圧縮性および超音速流を含む3つの難解な2次元シナリオと等方性乱流を用いる。 単純な拡散に基づくアプローチであっても、トレーニング時のアンロールのような最先端の安定化技術と同等でありながら、精度と時間的安定性の観点から、複数の確立したフロー予測手法より優れていることが判明した。
  論文  参考訳（メタデータ） (2023-09-04T18:01:42Z)

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。