論文の概要: TiWeaver: Unified Temporal Dynamics Modeling via Contextual Patching

• arxiv url: http://arxiv.org/abs/2606.03121v1
• Date: Tue, 02 Jun 2026 04:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.750738
• Title: TiWeaver: Unified Temporal Dynamics Modeling via Contextual Patching
• Title（参考訳）: TiWeaver: コンテキストパッチによる統合時間ダイナミクスモデリング
• Authors: Zhe Li, Jindong Tian, Hao Miao, Zhi Lei, Chenjuan Guo, Bin Yang,
• Abstract要約: TiWeaverは、時間的ダイナミクスと細粒度チャネル間の依存関係を適応的に扱うように設計された統合フレームワークである。 12のリアルタイム時系列データセット上でTiWeaverを評価し、最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 15.279995924017458
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multivariate time series forecasting plays a critical role in real-world applications, including weather prediction, stock analysis, and health monitoring. Due to the diversity of data sources, time series exhibit diverse temporal dynamics, often accompanied by various irregularities such as missing values and non-uniform sampling frequencies. Such irregularities lead to complex and asynchronous temporal dependencies across channels. Thus, a single model with a fixed patching scheme often fails to adapt well to diverse multivariate time series, hindering accurate forecasting. In this paper, we propose TiWeaver, a unified framework designed to handle temporal dynamics and fine-grained inter-channel dependencies adaptively. Specifically, we introduce a Graph-Guided Adaptive Tokenizer (G$^2$AT) that divides time series into high contextually coherent patches by jointly considering temporal density and representation consistency. In addition, we propose a Fine-grained Asynchronous Dependency Extractor (FADE), which is designed to model fine-grained asynchronous inter-channel dependencies while incorporating long-term historical dependencies. We evaluate TiWeaver on 12 real-world time series datasets, where it achieves state-of-the-art performance, outperforming existing methods up to 25%. These results demonstrate its robustness and effectiveness across diverse domains and data characteristics.
• Abstract（参考訳）: 多変量時系列予測は、天気予報、ストック分析、健康モニタリングなど、現実世界の応用において重要な役割を果たす。 データソースの多様性のため、時系列は様々な時間的ダイナミクスを示し、しばしば欠落値や一様でないサンプリング周波数などの様々な不規則を伴っている。 このような不規則性は、チャネル間の複雑で非同期な時間的依存関係をもたらす。 したがって、固定パッチ方式の単一モデルは、様々な多変量時系列にうまく適応できないことが多く、正確な予測を妨げている。 本稿では,時間的ダイナミクスと細粒度チャネル間の依存性を適応的に処理する統合フレームワークTiWeaverを提案する。 具体的には、時系列を時間密度と表現整合性を考慮した高文脈整合パッチに分割するグラフガイド適応トケナイザ(G$^2$AT)を導入する。 さらに, 長期間の履歴的依存関係を取り入れつつ, きめ細かな非同期依存性をモデル化するFADE(Funfine-fine Asynchronous Dependency Extractor)を提案する。 12のリアルタイム時系列データセット上でTiWeaverを評価し、最先端のパフォーマンスを達成し、既存のメソッドを最大25%上回った。 これらの結果は、様々な領域とデータ特性にまたがる堅牢性と有効性を示している。

関連論文リスト

• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• 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)
• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• 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)
• Unlocking the Potential of Linear Networks for Irregular Multivariate Time Series Forecasting [24.802227163932322]
  時系列予測は、金融、交通、エネルギー、医療、気候など様々な産業において重要な意味を持つ。 本稿では,時系列内不整合に対応するために,観測時刻に応じて動的に重みを調整できる適応線形ネットワークを提案する。 4つのベンチマークデータセットにわたる総合的な実験は、AITの優位性を実証し、予測精度を11%改善し、既存の最先端手法と比較してランタイムを52%削減した。
  論文  参考訳（メタデータ） (2025-05-01T15:24:48Z)
• TiVaT: A Transformer with a Single Unified Mechanism for Capturing Asynchronous Dependencies in Multivariate Time Series Forecasting [4.733959271565453]
  TiVaTは、単一の統一モジュール、JA(Joint-Axis)アテンションモジュールを組み込んだ新しいアーキテクチャである。 JA attentionモジュールは、特に非同期インタラクションをキャプチャする関連機能を動的に選択する。 大規模な実験では、さまざまなデータセットにわたるTiVaTの全体的なパフォーマンスが示されている。
  論文  参考訳（メタデータ） (2024-10-02T13:24:24Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
  多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。 1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。 この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-04T07:46:19Z)
• 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。