論文の概要: Unicorn: Scaling High-Dimensional Time Series Forecasting via Universal Correlation Modeling

• arxiv url: http://arxiv.org/abs/2605.30376v1
• Date: Tue, 26 May 2026 10:17:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.123375
• Title: Unicorn: Scaling High-Dimensional Time Series Forecasting via Universal Correlation Modeling
• Title（参考訳）: Unicorn: ユニバーサル相関モデリングによる高次元時系列予測のスケーリング
• Authors: Haochen Yuan, Yichen Song, Yunbo Wang, Xiaokang Yang,
• Abstract要約: Unicornはスケーラブルでマルチデータセットで高次元の時系列を事前トレーニングするためのフレームワークである。 UniCorNは、さまざまな次元とセマンティクスを持つドメイン間で転送される、アイデンティティに依存しない再利用可能な相互作用パターンを学ぶ。
• 参考スコア（独自算出の注目度）: 42.29620215537941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern time series architectures face a fundamental trade-off: channel-independent models scale well with increasing data volume but ignore critical inter-channel dependencies, while channel-dependent models are expressive but remain ``dimension-bounded'', struggling to generalize across heterogeneous datasets.To bridge this gap, we introduce Unicorn (Universal Correlation Network), a framework for scalable, multi-dataset pretraining on high-dimensional time series. At the core of Unicorn is a latent prototype codebook that decouples correlation modeling from specific channel identities. By projecting heterogeneous channels into a shared latent space, UniCorN learns identity-agnostic, reusable interaction patterns that transfer across domains with diverse dimensionalities and semantics. Extensive experiments show that Unicorn significantly outperforms state-of-the-art forecasting architectures, particularly in few-shot transfer scenarios, offering a scalable path toward multivariate time series foundation models.
• Abstract（参考訳）: チャネル非依存モデルは、データ量の増加とともに十分にスケールするが、重要なチャネル間の依存関係は無視するが、チャネル依存モデルは表現的だが 'dimension-bounded'' のままであり、異種データセットの一般化に苦慮している。このギャップを埋めるために、高次元時系列に事前トレーニングするスケーラブルでマルチデータセットのフレームワークであるUnicorn(Universal correlation Network)を導入する。 Unicornの中核は、特定のチャネルアイデンティティから相関モデリングを分離する潜在プロトタイプのコードブックである。 異種チャネルを共有潜在空間に投影することにより、UniCorNはアイデンティティに依存しない再利用可能な相互作用パターンを学び、様々な次元と意味を持つドメイン間で伝達する。 大規模な実験により、Unicornは最先端の予測アーキテクチャ、特に数ショットの転送シナリオにおいて、多変量時系列基礎モデルへのスケーラブルなパスにおいて、大幅に性能が向上していることが示された。

関連論文リスト

• Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines [5.543238821368548]
  時系列はしばしば、異なる時間帯と領域にまたがる時間パターンに顕著な多様性を示す。 Time Trackerは、精度、モデルの一般化、適応性を予測する際に最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-21T06:18:41Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• 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)
• CMamba: Channel Correlation Enhanced State Space Models for Multivariate Time Series Forecasting [18.50360049235537]
  ステートスペースモデルであるMambaは、堅牢なシーケンスと機能ミキシング機能を備えている。 チャネル間の依存関係のキャプチャは、時系列予測のパフォーマンス向上に不可欠である。 時系列予測に適した改良されたマンバ変種を導入する。
  論文  参考訳（メタデータ） (2024-06-08T01:32:44Z)
• ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks [9.006068771300377]
  本稿では、複雑な時間的ダイナミクスと系列間相関をキャプチャするフレームワークであるForecastGrapherを紹介する。 提案手法は,各系列の時間的変動を反映するカスタムノード埋め込みの生成,系列間の相関関係を符号化する適応的隣接行列の構築,および第3に,ノード特徴分布の多様化によるGNNの表現力の増大という,3つの重要なステップによって支えられている。
  論文  参考訳（メタデータ） (2024-05-28T10:40:20Z)
• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。