論文の概要: Generalizing Multi-Scale Time-Series Modeling with a Single Operator

• arxiv url: http://arxiv.org/abs/2605.31129v1
• Date: Fri, 29 May 2026 10:40:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.545301
• Title: Generalizing Multi-Scale Time-Series Modeling with a Single Operator
• Title（参考訳）: 単一演算子を用いたマルチスケール時系列モデリングの一般化
• Abstract要約: 学習可能な離散ガウスカーネルによる距離対応スケーリングを実現するSiGMA(Single Generalized Multi-scale Architecture)を提案する。 SiGMAはトレーニング速度を最大5.3倍、メモリ消費を最大3.8倍に向上させる。
• 参考スコア（独自算出の注目度）: 8.051535170363701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-scale modeling has emerged as an effective design principle for time-series forecasting by capturing temporal dynamics at multiple resolutions. As no principled foundation has been established in the literature, we unify existing scaling methods into a scaling operator family, revealing a fundamental limitation of existing approaches: reliance on fixed and discrete scaling. To address this limitation, we propose SiGMA (Single Generalized Multi-scale Architecture), which enables distance-aware scaling via the learnable discrete Gaussian (LDG) kernel grounded in scale-space theory. We evaluate SiGMA comprehensively on long- and short-term forecasting benchmarks against state-of-the-art multi-scale baselines. SiGMA outperforms all competitors on both tasks, especially achieving the best performance in 13 out of 16 long-term evaluation settings. Beyond accuracy, SiGMA significantly improves training speed by up to 5.3 times and reduces memory consumption by up to 3.8 times over the strongest competitors. Code is available at https://github.com/cheonwoolee/SiGMA.
• Abstract（参考訳）: 時系列予測の効果的な設計原理としてマルチスケールモデリングが登場し,時間的ダイナミクスを複数の解像度で捉えている。 文献に原則的基礎が確立されていないため、既存のスケーリングメソッドをスケーリングオペレーターファミリーに統合し、既存のアプローチの基本的な制限を明らかにする。 この制限に対処するため,Single Generalized Multi-scale Architecture(Single Generalized Multi-scale Architecture)を提案する。 我々はSiGMAを、最先端のマルチスケールベースラインに対する長期および短期の予測ベンチマークで包括的に評価する。 SiGMAは、どちらのタスクでも、特に16の長期評価設定のうち13で最高のパフォーマンスを達成している。 SiGMAはトレーニング速度を最大5.3倍、メモリ消費を最大3.8倍に向上させる。 コードはhttps://github.com/cheonwoolee/SiGMAで入手できる。

関連論文リスト

• GLAM-SLAM: Real-time Gaussian Large-scale Mapping via Flow Densification and Spatial Decomposition [15.113183931728814]
  本稿では,リアルタイムに分離したガウス分割SLAMシステムであるGLAM-SLAMを提案する。 堅牢で機能ベースのSLAMを使用して、軽量なトラッキングを保証します。 構造化されたスパースなアンカーグリッド表現を採用し、スケーラブルな操作を保証し、長期的シーケンスをまたいだシーンを維持する。 我々は,困難かつ長周期なKITTI Odometry,Oxford RobotCar,M Splatalagaデータセットについて評価を行った。
  論文  参考訳（メタデータ） (2026-07-23T15:22:42Z)
• ITS-Mina: A Harris Hawks Optimization-Based All-MLP Framework with Iterative Refinement and External Attention for Multivariate Time Series Forecasting [0.1909020214605419]
  本稿では3つの重要なイノベーションを統合する多変量時系列予測のための新しいオールMLPフレームワークを提案する。 広く使用されている6つのベンチマークデータセットの実験は、ITSMinaが最先端または高い競争性能を達成することを実証している。
  論文  参考訳（メタデータ） (2026-04-30T15:10:18Z)
• ASGMamba: Adaptive Spectral Gating Mamba for Multivariate Time Series Forecasting [11.796087740391014]
  資源制約のあるスーパーコンピュータ環境のための効率的な予測フレームワークASGMambaを提案する。 ASGMambaは、局所スペクトルエネルギーに基づいて動的にノイズをフィルタリングする軽量のAdaptive Spectral Gatingメカニズムを統合している。 9つのベンチマークの実験は、ASGMambaが最先端の精度を達成することを示した。
  論文  参考訳（メタデータ） (2026-02-02T05:38:21Z)
• MGTS-Net: Exploring Graph-Enhanced Multimodal Fusion for Augmented Time Series Forecasting [1.7077661158850292]
  時系列予測のためのマルチモーダルグラフ強化ネットワークMGTS-Netを提案する。 モデルは,(1)マルチモーダル特徴抽出層(MFE),(2)マルチモーダル特徴融合層(MFF),(3)マルチスケール予測層(MSP)の3つのコアコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-10-18T04:47:10Z)
• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• GQSA: Group Quantization and Sparsity for Accelerating Large Language Model Inference [5.358880304650258]
  Group Quantization and Sparse Acceleration (GQSA)は、LLMに適した新しい圧縮技術である。 圧縮モデルの性能優位性を保証するための2段階スパース最適化手法を提案する。 実験の結果、GQSA W4S50%圧縮設定の下では、モデルの精度は2:4プルーニングとW2量子化の両方を上回ることがわかった。
  論文  参考訳（メタデータ） (2024-12-23T13:28:15Z)
• GaitASMS: Gait Recognition by Adaptive Structured Spatial Representation and Multi-Scale Temporal Aggregation [2.0444600042188448]
  歩行認識は、最も有望なビデオベースの生体認証技術の一つである。 本稿では,GaitASMSと呼ばれる新しい歩行認識フレームワークを提案する。 適応的な空間表現を効果的に抽出し、多スケールの時間情報を自然に集約することができる。
  論文  参考訳（メタデータ） (2023-07-29T13:03:17Z)
• Effectively Modeling Time Series with Simple Discrete State Spaces [25.046268609133982]
  時系列モデリングのための新しい状態空間時系列アーキテクチャであるSpaceTimeを紹介する。 表現性を示すために,共役行列に基づく新しいSSMパラメータ化を提案する。 長期の地平線予測のために、同伴SSMの「閉ループ」変動を導入する。 効率的なトレーニングと推論のために,前列行列による前列パスのメモリと計算を削減できるアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2023-03-16T17:08:21Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)
• Back to MLP: A Simple Baseline for Human Motion Prediction [59.18776744541904]
  本稿では、歴史的に観察されたシーケンスから将来の身体のポーズを予測することによる、人間の動作予測の課題に取り組む。 これらの手法の性能は、0.14Mパラメータしか持たない軽量で純粋にアーキテクチャアーキテクチャによって超えることができることを示す。 Human3.6M, AMASS, 3DPWデータセットの徹底的な評価は, siMLPeをダブした我々の手法が, 他のアプローチよりも一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2022-07-04T16:35:58Z)
• Long Range Language Modeling via Gated State Spaces [67.64091993846269]
  本稿では,英語書籍,Githubソースコード,ArXiv数学論文の自己回帰シーケンスモデリングに焦点をあてる。 Gated State Space (GSS) と呼ばれる新しい層を提案し、S4の対角線よりもかなり高速に訓練可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-27T01:50:18Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)
• On the Generalization of Stochastic Gradient Descent with Momentum [84.54924994010703]
  運動量に基づく勾配降下(SGD)の加速変種は、機械学習モデルを訓練する際に広く用いられる。 まず,標準重球運動量(SGDM)を持つSGDの複数のエポックに対する安定性ギャップが非有界となる凸損失関数が存在することを示す。 滑らかなリプシッツ損失関数に対しては、修正モーメントベースの更新規則、すなわち、幅広いステップサイズで初期運動量(SGDEM)を解析する。
  論文  参考訳（メタデータ） (2018-09-12T17:02:08Z)

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。