論文の概要: ChronoVAE-HOPE: Beyond Attention -- A Next-Generation VAE Foundation Model for Specialized Time Series Classification

• arxiv url: http://arxiv.org/abs/2605.22684v2
• Date: Sat, 23 May 2026 18:14:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 16:32:37.967126
• Title: ChronoVAE-HOPE: Beyond Attention -- A Next-Generation VAE Foundation Model for Specialized Time Series Classification
• Title（参考訳）: ChronoVAE-HOPE:Beyond Attention -- 時系列分類のための次世代VAEファンデーションモデル
• Authors: José Alberto Rodríguez, Luis Balderas, Miguel Lastra, Antonio Arauzo-Azofra, José M. Benítez,
• Abstract要約: ChronoVAE-HOPEは、時系列分類のための構造化潜在表現で大規模な一般化を再構成する。 重要なアーキテクチャ上のノベルティは、表現を独立した傾向と季節的な構成要素に分解する非絡み合いの潜在空間である。 実証的な結果は、多種多様な時間領域にまたがる強いパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time Series Foundation Models (TSFMs) have become a new component of the state-of-the-art in general time series forecasting. However, adapting them to specialized classification tasks remains constrained by two interconnected challenges: the quadratic cost of standard attention mechanisms and the inability to disentangle the structural components underlying time series variability. This technical report introduces ChronoVAE-HOPE, a next-generation TSFM that reconciles massive generalization with structured latent representation for time series classification. The core of the proposal is a Variational Autoencoder (VAE) framework built upon the HOPE Block, which replaces quadratic attention with a dual-memory system: Titans modules for dynamic short-term retention and a Continuum Memory System (CMS) for the abstraction of long-term historical context. A key architectural novelty is the disentangled latent space, which factorizes representations into independent trend and seasonal components via dedicated encoder heads and separate decoder pathways. ChronoVAE-HOPE undergoes self-supervised pre-training on the Monash archive, combining a Masked Time Series Modeling (MTSM) auxiliary objective with a disentangled VAE reconstruction loss. The pre-trained encoder is subsequently frozen and used to generate fixed-length embeddings for downstream classification on the UCR benchmark datasets. Empirical results demonstrate strong performance across diverse temporal domains, particularly in settings characterized by strict causal structure. ChronoVAE-HOPE establishes a robust and interpretable framework for the adaptation of foundation models to time series classification through structured generative representations.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は、一般的な時系列予測における最先端の新たなコンポーネントとなっている。 しかし、これらを特殊分類タスクに適応させることは、標準的な注意機構の2次コストと、時系列の変動性の根底にある構造的コンポーネントをアンタングルできないという2つの相互接続的な課題によって制約される。 この技術報告では、時系列分類のための構造化潜在表現と大規模一般化を照合する次世代TSFMであるChronoVAE-HOPEを紹介する。 この提案の中核は、HOPEブロック上に構築された変分オートエンコーダ(VAE)フレームワークで、二次的注意を2重メモリシステムに置き換える: 動的短期維持のためのタイタンスモジュールと長期的歴史的文脈の抽象化のための連続記憶システム(CMS)である。 重要なアーキテクチャ上のノベルティは、切り離されたラテント空間である。これは、表現を独立したトレンドと、専用のエンコーダヘッドと分離されたデコーダ経路を介して季節的なコンポーネントに分解する。 ChronoVAE-HOPEは、Masked Time Series Modeling (MTSM) 補助目標と、歪んだVAE再建損失を組み合わせた、モナシュアーカイブ上での自己教師付き事前訓練を行っている。 事前トレーニングされたエンコーダはその後凍結され、UCRベンチマークデータセットの下流分類のための固定長埋め込みを生成するために使用される。 実証実験の結果、特に厳密な因果構造を特徴とする様々な時間領域において、強い性能を示す。 ChronoVAE-HOPEは、構造的生成表現による時系列分類への基礎モデルの適応のための堅牢で解釈可能なフレームワークを確立する。

関連論文リスト

• KairosHope: A Next-Generation Time-Series Foundation Model for Specialized Classification via Dual-Memory Architecture [0.0]
  カイロスホップ(KairosHope)は、分類タスクにおける解析的精度で大規模な一般化を再現するために設計された次世代のTSFMである。 大規模なモナシュのアーカイブで自己指導による事前訓練を行っている。 UCRベンチマークデータセットへの適応は、厳密な線形プローブとフルファインチューニングプロトコルを通じて行われる。
  論文  参考訳（メタデータ） (2026-05-18T17:02:30Z)
• Universal Redundancies in Time Series Foundation Models [3.8551402560229806]
  Time Series Foundation Models (TSFM) は、推論中に未確認の時系列を正確に予測するために、広範囲の事前トレーニングを活用する。 本稿では,TSFMの機械的解釈性向上のためのツールセットについて紹介する。
  論文  参考訳（メタデータ） (2026-02-02T03:53:46Z)
• TimeMar: Multi-Scale Autoregressive Modeling for Unconditional Time Series Generation [11.455232661227313]
  時系列のための構造不整合型マルチスケール生成フレームワークを提案する。 提案手法は,複数の時間分解能において,シーケンスを離散トークンに符号化する。 提案手法は,既存の手法よりも高品質な時系列を生成することを示す。
  論文  参考訳（メタデータ） (2026-01-16T11:00:05Z)
• Generative Models for Long Time Series: Approximately Equivariant Recurrent Network Structures for an Adjusted Training Scheme [4.327763441385371]
  本稿では,連続層を有する変分オートエンコーダ(VAE)に基づく時系列データに対する簡易かつ効果的な生成モデルを提案する。 本手法では,シーケンス長を漸進的に向上させる適応型トレーニング手法を提案する。 リカレントアーキテクチャを利用することで、モデルはシーケンス長に関係なく定数数のパラメータを保持する。
  論文  参考訳（メタデータ） (2025-05-08T07:52:37Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Spatial-Temporal-Decoupled Masked Pre-training for Spatiotemporal Forecasting [15.446085872077898]
  本研究では,2つの分離されたマスク付きオートエンコーダを用いて,空間次元と時間次元に沿った時系列を再構成する自己教師付き事前学習フレームワークを提案する。 このような再構築を通じて学んだリッチコンテキスト表現は、ダウンストリームによってシームレスに統合され、任意のアーキテクチャでパフォーマンスを向上することができる。
  論文  参考訳（メタデータ） (2023-12-01T11:43:49Z)

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。