論文の概要: RhyMix: A Lightweight Adaptive Multi-Rhythm Network for Long-Term Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2607.08234v1
- Date: Thu, 09 Jul 2026 08:29:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.468583
- Title: RhyMix: A Lightweight Adaptive Multi-Rhythm Network for Long-Term Time Series Forecasting
- Title（参考訳）: RhyMix: 長期連続予測のための軽量適応型マルチリズムネットワーク
- Abstract要約: 適応ゲーティング機構を備えた並列デュアルパスモデリングパラダイムを中心に設計されたハイブリッドニューラルアーキテクチャであるRhyMixを紹介する。
RhyMixは、長期的な予測のために、12のデータセットのうち10の最先端のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 0.19116784879310025
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world time series exhibit complex dynamics characterized by multiple simultaneous temporal patterns: short-term fluctuations, periodic seasonal cycles, long-term trends, and irregular abrupt changes. However, many existing forecasting architectures rely on single-path temporal modeling--transformers capture long-range dependencies but smooth local variations, convolutions capture local patterns but have limited receptive fields, and linear models are efficient but cannot capture nonlinear dynamics. To address this, we introduce RhyMix (RHYthm MIXture), a hybrid neural architecture designed around a parallel dual-path modeling paradigm with adaptive gating mechanisms. RhyMix integrates two complementary encoding branches: (i) a Cyclic Path that incorporates explicit seasonal inductive bias through learnable cyclic embeddings, capturing predictable rhythmic patterns; and (ii) a lightweight Multi-Scale Temporal Convolutional Network with Channel Attention Path that employs multi-scale depthwise dilated convolutions to capture temporal dependencies across different receptive fields. A key innovation is the use of adaptive gating at multiple levels: a path gate dynamically combines four specialized forecasting heads (Direct, Trend-Seasonal Decomposition, Local Convolution, and Periodic Fusion) per sample and channel, while a hybrid gate adaptively balances the Cyclic and MSTCN-CA Paths based on input characteristics. This design ensures the model adapts to specific temporal patterns while maintaining linear complexity in sequence length, channels, and prediction horizon. Across extensive benchmarks on 12 real-world datasets for long-term forecasting, RhyMix achieves state-of-the-art performance on 10 of 12 datasets. The model remains lightweight (~40K params) with linear complexity and low-latency inference (<5ms),suitable for resource-constrained edge devices and real-time deployment.
- Abstract（参考訳）: 実世界の時系列は、短時間の変動、周期的な季節周期、長期的な傾向、不規則な急激な変化など、複数の同時時相パターンを特徴とする複雑なダイナミクスを示す。
しかし、多くの既存の予測アーキテクチャは単一パスの時間的モデリングに依存しており、変換器は長距離依存をキャプチャするが、局所的な変動はスムーズであり、畳み込みは局所パターンをキャプチャするが、受容場は限定的であり、線形モデルは効率的であるが非線形ダイナミクスを捉えることはできない。
この問題を解決するためにRhyMix(Rhythm MIXture)は、適応ゲーティング機構を備えた並列デュアルパスモデリングパラダイムに基づいて設計されたハイブリッドニューラルネットワークである。
RhyMixは2つの補完的なエンコーディングブランチを統合している。
一 学習可能な周期的埋め込みにより季節的帰納バイアスを明示し、予測可能なリズムパターンを捉えた周期的経路
(II) 異なる受容領域にまたがる時間的依存を捉えるために,多スケールの奥行き拡張畳み込みを利用する,チャネル注意経路を有する軽量なマルチスケール時間的畳み込みネットワーク。
経路ゲートは、サンプルとチャネルごとに4つの特別な予測ヘッド(ダイレクト、トレンド・シーソンズ分解、局所的畳み込み、周期的融合)を動的に結合し、ハイブリッドゲートは入力特性に基づいてサイクルとMSTCN-CAパスを適応的にバランスさせる。
この設計により、モデルは、シーケンス長、チャネル、予測水平線の線形複雑さを維持しながら、特定の時間パターンに適応する。
長期予測のための12の現実世界データセットに関する広範なベンチマークを通じて、RhyMixは12のデータセットのうち10の最先端のパフォーマンスを達成している。
モデルは軽量であり(約40Kのパラム)、線形複雑性と低レイテンシ推論(5ms)であり、リソース制約のエッジデバイスやリアルタイムデプロイメントに適している。
関連論文リスト
- GatedLinear: Adaptive Routing of Complementary Linear Bases for Time Series Forecasting [11.155508081323694]
時系列予測は、様々な、しばしば相互排他的で時間的ダイナミクスを捉えるモデルを必要とする。
最近のディープラーニングモデルでは精度が向上しているが、通常はこれらの多様なパターンを単一の計算バックボーンで強制する。
GatedLinear - 相補的線形基底の適応的ルーティングとして予測をフレーム化する軽量フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-10T15:42:01Z) - Multi-Rate Mixture of Experts for Accelerating Liquid Neural Network Training [5.248012610915348]
液体ニューラルネットワーク(LNN)は、連続時間力学によってこれらの制限に対処する。
液状ニューラルネットワーク上に構築したMR-MoE(Multi-Rate Mixture-of-Experts)フレームワークを提案する。
提案したアーキテクチャでは、複数のLNNベースの専門家が異なる時間スケールで活動し、モデルがゆっくりと進化する時間的傾向から高速に変化するダイナミクスを明示的に分離することができる。
論文 参考訳（メタデータ） (2026-06-10T15:43:20Z) - FlowLong: Inference-time Long Video Generation via Manifold-constrained Tweedie Matching [68.01498128172214]
本稿では,アーキテクチャに依存しない,追加のトレーニングを必要としない長大なビデオ生成のための,斬新でシンプルな推論時間アプローチを提案する。
提案手法では,隣接するウィンドウからのクリーンサンプルをemphTweedieマッチングでブレンドし,テキストbfmanifoldの制約と重複領域間の時間的一貫性を強制する。
本手法は, 時間的一貫性と視覚的品質において, トレーニング不要, 自己回帰ベースラインを両立させながら, ネイティブウィンドウ長よりも数倍長大のビデオを生成する。
論文 参考訳（メタデータ） (2026-05-20T08:55:37Z) - Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。
形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。
均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。
TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
論文 参考訳（メタデータ） (2026-02-10T14:13:36Z) - MoHETS: Long-term Time Series Forecasting with Mixture-of-Heterogeneous-Experts [0.8292000624465587]
実世界の時系列は、グローバルな傾向、局所的な周期性、非定常的な体制を含む複雑なマルチスケール構造を示すことができる。
MoHETSはSparse Mixture-of-Heterogeneous-Expertsレイヤを統合している。
パラメータ重リニアプロジェクションヘッドを軽量な畳み込みパッチデコーダに置き換える。
論文 参考訳（メタデータ） (2026-01-29T15:35:26Z) - ACFormer: Mitigating Non-linearity with Auto Convolutional Encoder for Time Series Forecasting [6.27761817493579]
時系列予測(TSF)は、複雑なチャネル内時間依存性とチャネル間相関をモデル化する際の課題に直面している。
本稿では,線形射影の効率を,畳み込みの非線形特徴抽出力と整合させるアーキテクチャであるACFormerを提案する。
論文 参考訳（メタデータ） (2026-01-28T13:47:54Z) - DPWMixer: Dual-Path Wavelet Mixer for Long-Term Time Series Forecasting [6.01829429039985]
長期時系列予測は計算知能において重要な課題である。
本稿では,計算効率の良いDual-PathアーキテクチャDPWMixerを提案する。
8つの公開ベンチマーク実験により,本手法は最先端のベースラインよりも一貫した改善を達成できることが示された。
論文 参考訳（メタデータ） (2025-11-30T03:12:50Z) - Reservoir Computing via Multi-Scale Random Fourier Features for Forecasting Fast-Slow Dynamical Systems [0.0]
本稿では,遅延埋め込みとランダムなフーリエ特徴(RFF)マッピングを組み合わせた新しい貯水池計算フレームワークを提案する。
固定されたカーネル帯域を利用する単一スケールのRFF貯水池と、高速かつ低速な時間依存の両方を表現するために複数の帯域を統合するマルチスケールのRFF貯水池の2つの定式化について検討した。
論文 参考訳（メタデータ） (2025-11-04T08:01:08Z) - 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) - Oscillatory State-Space Models [61.923849241099184]
長いシーケンスを効率的に学習するための線形状態空間モデル(LinOSS)を提案する。
高速な連想並列スキャンを用いて時間とともに統合された安定な離散化により、提案した状態空間モデルが得られる。
我々はLinOSSが普遍であること、すなわち時間変化関数間の連続および因果作用素写像を近似できることを示す。
論文 参考訳（メタデータ） (2024-10-04T22:00:13Z) - Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。
本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-02-18T05:35:01Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳（メタデータ） (2020-09-21T13:57:10Z)
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。