論文の概要: Falcon-X: A Time Series Foundation Model for Heterogeneous Multivariate Modeling
- arxiv url: http://arxiv.org/abs/2605.27286v1
- Date: Tue, 26 May 2026 17:03:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:42.471477
- Title: Falcon-X: A Time Series Foundation Model for Heterogeneous Multivariate Modeling
- Title（参考訳）: Falcon-X:異種多変量モデリングのための時系列基礎モデル
- Authors: Yiding Liu, Yifan Hu, Hongjie Xia, Peiyuan Liu, Hongzhou Chen, Xilin Dai, Zewei Dong, Jiang-Ming Yang,
- Abstract要約: 時系列基礎モデル(TSFM)は、大規模なクロスドメイン事前トレーニングを通じて予測パラダイムを変換している。
現在、ほとんどの既存のTSFMは、原変量空間内で直接動作する。
この設計は意味的アライメントと関係的表現性の基本的な制限を導入する。
- 参考スコア（独自算出の注目度）: 15.711878678972056
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time series foundation models (TSFMs) are transforming the forecasting paradigm through large-scale cross-domain pretraining. However, most existing TSFMs remain univariate, and recent efforts to enable cross-variate modeling still operate directly within the raw variate space. This design introduces fundamental limitations in semantic alignment and relational expressivity. Specifically, raw-space group mixing lacks a dedicated mechanism to align heterogeneous physical quantities, while standard non-negative attention fails to capture the complex synergistic and antagonistic interactions ubiquitous in real-world systems. To address these challenges, we propose Falcon-X, decouples variates from the raw space and maps them into a unified latent prototype space. Falcon-X employs a Unified Prototype Diff-Attention mechanism that explicitly evaluates both positive and negative semantic affinities to explicitly align heterogeneous variates. Cross-variate interactions are then efficiently performed within this shared space via Latent Entity Attention, naturally facilitating zero-shot structural transfer. Finally, a Variate Reassembly Router robustly reconstructs variate-specific trajectories via a request-and-dispatch mechanism. Extensive evaluations on the GIFT-Eval and fev-bench benchmarks demonstrate that Falcon-X achieves state-of-the-art forecasting performance, offering a principled and scalable paradigm for complex multivariate environments. Falcon-X is publicly released to support future research.
- Abstract（参考訳）: 時系列基礎モデル(TSFM)は、大規模なクロスドメイン事前トレーニングを通じて予測パラダイムを変換している。
しかし、ほとんどの既存のTSFMは単変数のままであり、最近のクロスバリアントモデリングの実現に向けた取り組みは、依然として原変量空間内で直接動作する。
この設計は意味的アライメントと関係的表現性の基本的な制限を導入する。
具体的には、原空間群混合は異質な物理量を調整するための専用のメカニズムを欠いているが、標準的な非負の注意は、現実世界のシステムで見られる複雑な相乗的および対角的相互作用を捉えることに失敗する。
これらの課題に対処するため、我々はファルコンXを提案し、原空間から変数を分離し、それらを統合潜在プロトタイプ空間にマッピングする。
Falcon-Xは、正と負の両方のセマンティック親和性を明示的に評価し、不均一な変数を明示的に整列させるUnified Prototype Diff-Attentionメカニズムを採用している。
異種間相互作用はLatent Entity Attentionを通じて共有空間内で効率的に実行され、ゼロショット構造移動が自然に促進される。
最後に、変数再集合ルータは、リクエスト・アンド・ディスパッチ機構を介して、変数固有のトラジェクトリを堅牢に再構築する。
GIFT-Evalとfev-benchベンチマークの大規模な評価は、Falcon-Xが最先端の予測性能を達成し、複雑な多変量環境に対して原則的かつスケーラブルなパラダイムを提供することを示している。
Falcon-Xは将来の研究をサポートするために公開されている。
関連論文リスト
- OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。
パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
論文 参考訳（メタデータ） (2026-05-13T17:42:20Z) - Empowering Heterogeneous Graph Foundation Models via Decoupled Relation Alignment [20.128308877213044]
Decoupled Relation Subspace Alignment (DRSA)は、新しいプラグアンドプレイ関係駆動フレームワークである。
特徴的意味論を関係構造から切り離すことによってパラダイムを根本的にシフトさせる。
ユニバーサルプリプロセッシングモジュールとしてシームレスに統合することができる。
論文 参考訳（メタデータ） (2026-05-01T15:31:36Z) - Cross-Domain Transfer with Self-Supervised Spectral-Spatial Modeling for Hyperspectral Image Classification [5.784164305429653]
本稿では,自己管理型クロスドメイン転送フレームワークを提案する。
ソースラベルなしで伝送可能なスペクトル-空間結合表現を学習する。
実験結果は、安定した分類性能と強いクロスドメイン適応性を示す。
論文 参考訳（メタデータ） (2026-01-26T02:52:35Z) - Learning to Factorize and Adapt: A Versatile Approach Toward Universal Spatio-Temporal Foundation Models [42.152122602443164]
FactoST-v2は時空間学習のための拡張された因子化フレームワークである。
FactoST-v2は線形効率で最先端の精度を実現する。
この分解パラダイムは、真に普遍的なSTFMへの実践的でスケーラブルなパスを提供する。
論文 参考訳（メタデータ） (2026-01-17T15:20:08Z) - UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。
コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。
8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-12-08T05:36:14Z) - Bayesian Fully-Connected Tensor Network for Hyperspectral-Multispectral Image Fusion [20.64193953092791]
ハイパースペクトル・マルチスペクトル画像融合のための完全接続ネットワーク(BFCTN)分解法を提案する。
BFCTNは、最先端の核融合精度と強靭性を達成するだけでなく、複雑な実世界のシナリオにも実用的な適用性を示す。
論文 参考訳（メタデータ） (2025-10-21T08:19:54Z) - Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。
本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。
STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。
様々な密集した予測タスクと多様な意味クラス予測を統一する。
論文 参考訳（メタデータ） (2025-05-18T07:39:17Z) - Equal is Not Always Fair: A New Perspective on Hyperspectral Representation Non-Uniformity [42.8098014428052]
ハイパースペクトル画像(HSI)の表現は、広汎な非一様性によって根本的に挑戦される。
フェアネス指向のフレームワークであるFairHypを提案する。
本研究は,HSIモデリングにおける構造的必要条件として公正性を再定義し,適応性,効率,忠実性のバランスをとるための新たなパラダイムを提供する。
論文 参考訳（メタデータ） (2025-05-16T14:00:11Z) - UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
自然系における関数の統一生成モデルUniGenXを提案する。
UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。
ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-03-09T16:43:07Z) - Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。
連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-12-23T21:27:19Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳（メタデータ） (2020-09-21T13:57:10Z)
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。