論文の概要: Frequency-Domain Multi-Modality Transportation Modeling
- arxiv url: http://arxiv.org/abs/2607.08475v1
- Date: Thu, 09 Jul 2026 13:30:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.551415
- Title: Frequency-Domain Multi-Modality Transportation Modeling
- Title（参考訳）: 周波数領域多モード輸送モデリング
- Authors: Jiewen Deng, Hangchen Liu, Junchen Li, Boyuan Zhang, Renhe Jiang,
- Abstract要約: 本稿では、周波数領域を利用した軽量で効果的な周波数領域多重モードモデリング(FreMo)を提案する。
FreMoはモダリティのスペクトル改善をモダリティ間のシナジーから切り離し、一般的な時系列バックボーンとのプラグ・アンド・プレイ統合をサポートする。
実世界のデータセットの実験によると、FreMoは一貫して最先端のベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 14.714894831849934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-modality transportation refers to urban systems composed of multiple transportation modes, such as traffic flow and public transit, whose dynamics are coupled by shared temporal patterns. Accurate multi-modality transportation forecasting remains challenging because (1) different modalities exhibit distinct spectral characteristics and (2) interact unevenly across frequencies, whereas most existing methods operate primarily in the time domain or rely on coarse feature fusion. To address these limitations, we propose a lightweight yet effective Frequency-Domain Multi-Modality modeling (FreMo) that explicitly exploits the frequency domain to enable adaptive and selective cross-modality synergy. FreMo disentangles modality-wise spectral refinement from cross-modality synergy and supports plug-and-play integration with general time series backbones. Specifically, FreMo introduces a Modality-Wise Frequency Filter (MFF) to adaptively refine spectral components within each modality, emphasizing informative frequencies while suppressing noise. FreMo further incorporates a Frequency-Guided Synergy Integrator (FSI) that selectively aggregates information across modalities based on their relative contribution at each frequency, facilitating effective cross-modality knowledge sharing while mitigating negative transfer. Extensive experiments on real-world datasets show that FreMo consistently outperforms state-of-the-art baselines, with superior performance and generalization across diverse forecasting scenarios. The code is available at https://github.com/beginner-sketch/FreMo.
- Abstract（参考訳）: マルチモダリティ交通(Multi-modality transportation)とは、交通の流れや公共交通など複数の交通手段からなる都市システムを指す。
1) 異なるモードが異なるスペクトル特性を示し、(2) 周波数間で不均一に相互作用するのに対し、既存の手法は主に時間領域で、または粗い特徴融合に依存しているため、正確な多モード輸送予測は依然として困難である。
これらの制約に対処するために、周波数領域を明示的に活用して適応的かつ選択的な相互モード相乗効果を実現する軽量で効果的な周波数領域多重モードモデリング(FreMo)を提案する。
FreMoはモダリティのスペクトル改善をモダリティ間のシナジーから切り離し、一般的な時系列バックボーンとのプラグ・アンド・プレイ統合をサポートする。
具体的には、FreMoは、各モード内のスペクトル成分を適応的に洗練し、ノイズを抑えながら情報周波数を強調するモダリティ・ワイズ周波数フィルタ(MFF)を導入している。
FreMoはさらに周波数誘導シナジーインテグレータ(FSI)を導入し、各周波数における相対的な寄与に基づいて、モダリティにまたがる情報を選択的に集約し、負の伝達を緩和しながら効果的なモダリティ間の知識共有を促進する。
実世界のデータセットに関する大規模な実験によると、FreMoは最先端のベースラインを一貫して上回り、さまざまな予測シナリオで優れたパフォーマンスと一般化を実現している。
コードはhttps://github.com/beginner-sketch/FreMoで入手できる。
関連論文リスト
- DSFNet: Learning Dual-Domain Spectral Operators for Multi-Modality Spatio-Temporal Forecasting in Urban Transportation Systems [51.72074484150301]
本稿ではDSFNet(Dual-Domain Spectral Network)を提案し,変数間の関係を明示的にモデル化する。
このフレームワークは、異種空間パターンを捉えるために、二重領域スペクトルフィルタリングを用いる。
2番目のベースラインと比較して、DSFNetはこれらのデータセット間でMAEを3.21%-10.16%削減する。
論文 参考訳（メタデータ） (2026-06-05T07:33:57Z) - AnyMo: Scaling Any-Modality Conditional Motion Generation with Masked Modeling [60.13338774249153]
我々はOmniHuMoを紹介した。OmniHuMoは5000時間以上の動作と320万のシーケンスのデータセットで、正確に整列されたマルチモーダルアノテーションである。
我々は、Residual FSQベースのモーショントークンーザとスケーラブルなマスク付きモデリング変換器を組み合わせた統合マルチモーダルフレームワークであるAnyMoを提案する。
実験の結果,AnyMoは空間特性とスタイリスティック特性の両方を柔軟に制御しながら高忠実度合成を実現することがわかった。
論文 参考訳（メタデータ） (2026-05-28T07:15:19Z) - Interactive Spatial-Frequency Fusion Mamba for Multi-Modal Image Fusion [69.13852939945433]
MMIF(Multi-Modal Image Fusion)は、異なるモダリティの画像を組み合わせて融合画像を作成することを目的としている。
MMIFのための対話型空間周波数フュージョン・マンバフレームワークを提案する。
私たちのISFMは、他の最先端手法よりも優れたパフォーマンスを実現できます。
論文 参考訳（メタデータ） (2026-02-04T10:35:55Z) - M$^2$FMoE: Multi-Resolution Multi-View Frequency Mixture-of-Experts for Extreme-Adaptive Time Series Forecasting [6.89383702832204]
M$2$FMoEは、マルチレゾリューションとマルチビューの周波数モデリングにより、正規パターンと極端なパターンの両方を学ぶ。
極端なパターンを持つ実世界の水文科学データセットの実験は、M$2$FMoEが最先端のベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2026-01-13T15:05:49Z) - FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。
本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。
FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
論文 参考訳（メタデータ） (2025-11-26T08:36:33Z) - OmniMotion-X: Versatile Multimodal Whole-Body Motion Generation [52.579531290307926]
本稿では,全身動作生成のための汎用フレームワークであるOmniMotion-Xを紹介する。
OmniMotion-Xは、テキスト・トゥ・モーション、音楽・トゥ・ダンス、音声・トゥ・ジェスチャなど、多様なマルチモーダルタスクを効率的にサポートする。
高品質なマルチモーダルトレーニングを実現するため,これまでで最大の統合マルチモーダルモーションデータセットであるOmniMoCap-Xを構築した。
論文 参考訳（メタデータ） (2025-10-22T17:25:33Z) - Generalizable Multispectral Land Cover Classification via Frequency-Aware Mixture of Low-Rank Token Experts [22.75047167955269]
マルチスペクトル土地被覆分類(MLCC)の新しいアプローチであるLand-MoEを紹介する。
Land-MoEは、低ランクトークンエキスパート(MoLTE)と周波数認識フィルタ(FAF)の2つの重要なモジュールから構成される。
論文 参考訳（メタデータ） (2025-05-20T08:52:28Z) - Frequency-Integrated Transformer for Arbitrary-Scale Super-Resolution [8.303267303436613]
暗黙の神経表現に基づく手法は、任意のスケールの超解像(ASSR)タスクにおいて顕著な機能を示した。
本稿では、周波数情報を組み込んでASSR性能を向上させるためのFIT( Frequency-Integrated Transformer)と呼ばれる新しいネットワークを提案する。
論文 参考訳（メタデータ） (2025-04-26T06:12:49Z) - MFF-FTNet: Multi-scale Feature Fusion across Frequency and Temporal Domains for Time Series Forecasting [18.815152183468673]
時系列予測は多くの分野において重要であるが、現在のディープラーニングモデルはノイズやデータの分散、複雑なパターンのキャプチャに苦労している。
本稿では,コントラスト学習とマルチスケール特徴抽出を組み合わせることで,これらの課題に対処する新しいフレームワークであるMFF-FTNetを提案する。
5つの実世界のデータセットに対する大規模な実験は、MFF-FTNetが最先端のモデルを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2024-11-26T12:41:42Z) - Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。
提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-09-21T12:02:47Z)
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。