論文の概要: Adaptive Oscillatory-State Alignment for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.06010v1
• Date: Thu, 04 Jun 2026 10:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-06 06:55:34.653374
• Title: Adaptive Oscillatory-State Alignment for Time Series Forecasting
• Title（参考訳）: 時系列予測のための適応振動状態アライメント
• Authors: Zhangyao Song, Ziqiong Li, Xiangfei Qiu, Chao Zha, Yinfei Xu, Tao Guo,
• Abstract要約: 長期の時系列予測は、繰り返し発生する時間構造を明らかにする帰納的バイアスの恩恵を受ける。 我々は、固定テンプレートマッチングから適応振動状態アライメントへの周期予測を再構成するヒルベルト誘導予測フレームワークAOSNETを提案する。 8つのベンチマークの実験では、高速な推論速度で最先端または高い競争精度を示す。
• 参考スコア（独自算出の注目度）: 9.62127716797236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term time series forecasting benefits from inductive biases that expose recurring temporal structure. Existing periodic forecasting methods typically model recurrence through predefined periods, global spectral components, or fixed learnable templates. However, real-world temporal dynamics are rarely rigidly periodic: oscillatory behavior often evolves through amplitude modulation, phase drift, and local frequency variation. Under these conditions, fixed-template periodic modeling can become fundamentally mismatched to the underlying temporal states. We propose AOSNET, a Hilbert-guided forecasting framework that reformulates periodic forecasting from fixed template matching to adaptive oscillatory-state alignment. AOSNET extracts analytic-signal descriptors from both the observed sequence and a learnable global oscillatory prior, then adaptively aligns local states through a descriptor-conditioned gate that selectively preserves reliable observations while softly correcting mismatched regions. The learned prior serves not as a rigid repeated template but as a flexible oscillatory reference interpreted through local state dynamics. Experiments on eight benchmarks demonstrate state-of-the-art or highly competitive accuracy with fast inference speed. Controlled synthetic studies isolating amplitude modulation, phase drift, and local frequency variation confirm that the advantage of oscillatory-state alignment consistently increases as non-stationarity intensifies.
• Abstract（参考訳）: 長期の時系列予測は、繰り返し発生する時間構造を明らかにする帰納的バイアスの恩恵を受ける。 既存の周期予測手法は、通常、予め定義された期間、大域的なスペクトル成分、あるいは一定の学習可能なテンプレートを通して繰り返しをモデル化する。 しかし、実世界の時間力学は厳密な周期性を持つことはめったになく、振動の挙動は振幅変調、位相ドリフト、局所周波数変動を通じて進化する。 これらの条件下では、固定時間周期モデリングは根底にある時間状態と根本的に一致しない可能性がある。 我々は、固定テンプレートマッチングから適応振動状態アライメントへの周期予測を再構成するヒルベルト誘導予測フレームワークAOSNETを提案する。 AOSNETは、観測されたシーケンスと学習可能なグローバル振動の両方から解析信号ディスクリプタを抽出し、不一致領域をソフトに修正しながら、信頼性のある観測を選択的に保存するディスクリプタ条件付きゲートを介して局所状態を適応的に調整する。 学習された前者は、厳密な反復テンプレートではなく、局所状態ダイナミクスを通して解釈されるフレキシブルな振動参照として機能する。 8つのベンチマークの実験では、高速な推論速度で最先端または高い競争精度を示す。 振幅変調, 位相ドリフト, 局所周波数変動を分離する制御された合成研究により, 非定常性の増加とともに振動状態アライメントの利点が一貫して増加することを確認した。

関連論文リスト

• PAMod: Modeling Cyclical Shifts via Phase-Amplitude Modulation for Non-stationary Time Series Forecasting [59.88916926133985]
  正規化特徴空間における位相振幅変調による循環分布シフトをモデル化するフレームワークPAModを提案する。 PAModは計算資源を減らして最先端の性能を実現する。 我々の変調機構は,プラグイン・アンド・プレイ技術として,既存の時系列予測手法を簡易な統合で改善することができる。
  論文  参考訳（メタデータ） (2026-05-01T07:09:23Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Frequency-Constrained Learning for Long-Term Forecasting [15.31488551912888]
  実世界の時系列は、物理法則、人間のルーチン、季節周期から生じる強い周期構造を示す。 現代の深層予測モデルは、スペクトルバイアスと周波数認識による誘導前兆の欠如により、繰り返し発生するパターンを捉えることができないことが多い。 本稿では,周期性を明示的にモデル化し,長期予測を効果的に行う手法を提案する。
  論文  参考訳（メタデータ） (2025-08-02T22:12:15Z)
• 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)
• Wavelet-based Disentangled Adaptive Normalization for Non-stationary Times Series Forecasting [23.34966767653385]
  時系列予測における非定常性に対処するために、ウェーブレットに基づく不整合適応正規化(WDAN)を提案する。 WDANは離散ウェーブレット変換を用いて入力を低周波数トレンドと高周波変動に分解する。 複数のベンチマークの実験では、WDANは様々なバックボーンモデルにおける予測精度を一貫して改善している。
  論文  参考訳（メタデータ） (2025-06-06T08:25:29Z)
• FlexTSF: A Flexible Forecasting Model for Time Series with Variable Regularities [15.799253535795065]
  変動時間正規度を持つ時系列データに特化して設計されたフレキシブルな予測モデルであるFlexTSFを紹介する。 その基盤にはIVP(Initial Value Problems)を活用した継続的パッチモジュールであるIPP Patcherがある。 16のデータセットの実験では、FlexTSFの有効性が示され、古典的な予測シナリオにおいて既存のモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-30T16:14:09Z)
• FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
  時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。 本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)

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。