論文の概要: HAMON: Passive Optical Sequence Mixing for Long-Horizon Forecasting
- arxiv url: http://arxiv.org/abs/2606.17028v1
- Date: Mon, 15 Jun 2026 17:51:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 18:36:05.131132
- Title: HAMON: Passive Optical Sequence Mixing for Long-Horizon Forecasting
- Title（参考訳）: HAMON:長軸予測のためのパッシブ光シーケンスミキシング
- Authors: Alper Yıldırım,
- Abstract要約: 本稿では,光開口に歴史的値が符号化された受動回折光予測コアHAMONを紹介する。
推測時には、トレーニング可能なデジタルシーケンス混合層を持たない単一の受動光伝搬パスにより予測を行う。
標準ベンチマーク全体では、HAMONは最強のデジタルベースラインをあらゆる地平線で、ETTh2では最長の地平線で上回っている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simple linear and frequency-domain models remain surprisingly competitive in long-horizon time-series forecasting, and recent mechanistic evidence suggests that standard forecasting benchmarks may not require the dense superposed representations that make transformers powerful in other domains. This raises a substrate-level question: if the core forecasting operator is often low-complexity and approximately linear, does it need to be implemented as learned digital temporal mixing? We introduce HAMON, a passive diffractive optical forecasting core in which historical values are encoded onto an optical aperture, future positions are left dark, and cascaded trainable phase masks with free-space diffraction shape the forecast directly in the output field. At inference, prediction is performed by a single passive optical propagation pass with no trainable digital sequence-mixing layer. Across standard benchmarks, HAMON outperforms the strongest digital baselines considered on ETTm2 at all horizons and on ETTh2 at all but the longest horizon, improving MSE by up to 14\% and doing so consistently across horizons rather than at isolated points. It is competitive on Weather and trails the strongest baselines on the remaining ETT settings and on the high-channel-count Traffic and Electricity datasets. Phase encoding, intensity-compatible readout, and phase-scrambling ablations, together with a TorchOptics cross-simulator check, indicate that the forecasts arise from the data-bearing optical field rather than from a digital forecasting head. Because the passive core uses standard Fourier optics, HAMON defines a concrete target for optical hardware and for passive physical sequence mixing.
- Abstract（参考訳）: 線形および周波数領域の単純なモデルは、長期の時系列予測において驚くほどの競争力を維持しており、近年の力学的な証拠は、標準予測ベンチマークが他の領域でトランスフォーマーを強力にするための高密度な重畳表現を必要としないことを示唆している。
コア予測演算子がしばしば低複雑さで概線型である場合、学習されたデジタル時間混合として実装する必要があるか?
本稿では,光開口に歴史的値が符号化され,将来の位置が暗くなってしまうパッシブな回折光予測コアHAMONと,出力フィールドに直接予測を自由空間の回折形状の学習可能な位相マスクについて紹介する。
推測時には、トレーニング可能なデジタルシーケンス混合層を持たない単一の受動光伝搬パスにより予測を行う。
標準ベンチマーク全体では、HAMONは全地平線とETTh2で考慮された最強のデジタルベースラインを上回り、MSEを最大14\%改善し、孤立点よりも地平線を一貫して改善している。
天気と競争力があり、残りのETT設定と高チャネルのTraffic and Electricityデータセットで最強のベースラインを踏襲している。
位相符号化,強度互換の読み出し,位相スクラメーション,およびTorchOpticsクロスシミュレータチェックは,デジタル予測ヘッドからではなく,データを含む光フィールドから予測が生じることを示す。
パッシブコアは標準的なフーリエ光学を使用するため、HAMONは光ハードウェアとパッシブ物理シーケンスミキシングのための具体的なターゲットを定義する。
関連論文リスト
- APEX: Amplitude Anchors and Phase Priors for Target-Scarce Higher-Frequency Wave Prediction [13.39671055113388]
本稿では,高周波数波動場予測のためのフレームワークを提案する。
eXtrapolated coarse 予測による振幅アンコールと位相優先誘導の促進を提案する。
SimpleWave、Helmholtz、Maxwellベンチマークの実験では、APEXは直接の低次から高次の外挿よりも一貫して優れていることが示されている。
論文 参考訳（メタデータ） (2026-05-26T09:09:34Z) - Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。
予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。
本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
論文 参考訳（メタデータ） (2026-05-14T05:12:13Z) - Attention Frequency Modulation: Training-Free Spectral Modulation of Diffusion Cross-Attention [1.4323566945483497]
クロスアテンション(Cross-attention)は、テキスト条件が遅延拡散モデルとなる主要なインターフェースである。
本稿では,Attention Frequency Modulation (AFM)を紹介した。
論文 参考訳（メタデータ） (2026-03-30T07:24:41Z) - 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) - Polychronous Wave Computing: Timing-Native Address Selection in Spiking Networks [0.0]
Polychronous Wave Computingは、タイミングネイティブなアドレス選択プリミティブである。
スパイク時間は回転フレームに位相符号化され、プログラム可能なマルチポート干渉計で処理される。
位相ラップと相互コヒーレンスによって課される操作封筒を導出する。
論文 参考訳（メタデータ） (2026-01-19T14:12:01Z) - FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts [49.9321870703948]
既存のモデルは、主に短期水平予測に焦点を当てており、悪名高い計算コストとメモリ消費に悩まされている。
本稿では,長期・大規模STG予測のためのMixture-of-Experts(MoEs)に基づく,効率的かつ効率的なフレームワークであるFaSTを提案する。
まず、計算負担を軽減するための適応型グラフエージェントアテンション機構を提案する。
第2に,従来のフィードフォワードネットワークを Gated Linear Units (GLUs) に置き換えた新しい並列MoEモジュールを提案する。
論文 参考訳（メタデータ） (2026-01-08T18:00:58Z) - AWEMixer: Adaptive Wavelet-Enhanced Mixer Network for Long-Term Time Series Forecasting [12.450099337354017]
適応ウェーブレット強化ミキサーネットワークであるAWEMixerを提案する。
周波数ルータは、Fast Fourier Transformによって達成された大域的周期パターンを利用して、局所化ウェーブレットサブバンドを適応的に重み付けする。
コヒーレントゲート融合ブロックは、多スケール時間表現による顕著な周波数特徴の選択的統合を実現する。
論文 参考訳（メタデータ） (2025-11-06T11:27:12Z) - 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) - 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) - Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。
提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
論文 参考訳（メタデータ） (2024-12-06T18:22:59Z) - Revealing the Power of Masked Autoencoders in Traffic Forecasting [16.69508205120188]
本稿では,交通予測における既存の時空間モデルを強化するためのプラグイン・アンド・プレイ・フレームワークを提案する。
STMAEは2つの学習段階から構成されており、事前学習段階では、エンコーダが2つのマスキング戦略によって生成された部分的に可視なトラフィックデータを処理している。
2つのデコーダは,空間的,時間的両面からマスクを復元することを目的としている。
トラフィックベンチマークの結果から,STMAEは様々な時空間モデルの予測能力を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2023-09-26T18:05:19Z)
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。