論文の概要: GatedLinear: Adaptive Routing of Complementary Linear Bases for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2607.09537v1
• Date: Fri, 10 Jul 2026 15:42:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.896022
• Title: GatedLinear: Adaptive Routing of Complementary Linear Bases for Time Series Forecasting
• Title（参考訳）: GatedLinear: 時系列予測のための相補的線形ベース適応ルーティング
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.155508081323694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting requires models to capture diverse, often mutually exclusive, temporal dynamics, from smooth trend continuation to nonstationary drift and strict phase-aligned recurrence. While recent deep learning models have improved accuracy, they typically force these diverse patterns through a single computational backbone governed by fixed algorithmic inductive biases (e.g., self-attention or spectral filtering). This single-mechanism approach often struggles with the profound heterogeneity of real-world series, where different variables and forecast horizons necessitate fundamentally different predictive treatments. To address this, we propose GatedLinear: a lightweight framework that frames forecasting as the adaptive routing of complementary linear bases. GatedLinear leverages a pool of three specialized mechanisms: a global trend-seasonal basis for smooth projection, a difference-based incremental basis for nonstationary drift, and a phase-aligned recurrence basis for explicit cyclic reuse. To dynamically orchestrate these distinct behaviors, we introduce a Tri-Factorized Fusion Gate that disentangles routing decisions into channel-specific preferences, horizon-aware offsets, and phase-indexed biases derived from known future time marks. This design allows the model to perform highly granular, point-wise soft routing across different predictive regimes without stacking computationally heavy neural modules. Experiments on standard benchmarks show that our method achieves state-of-the-art or highly competitive accuracy against recent complex foundational models, while offering explicitly interpretable routing patterns and operating with a substantially smaller parameter footprint.
• Abstract（参考訳）: 時系列予測は、スムーズな傾向継続から非定常ドリフト、厳密な位相整列反復まで、多種多様な、しばしば互いに排他的、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、アルゴリズムの帰納バイアス(例えば、自己アテンションやスペクトルフィルタリング)によって支配される単一の計算バックボーンを通じて、これらの多様なパターンを強制する。 この単一機械的アプローチは、異なる変数と予測水平線が根本的に異なる予測的処理を必要とする実世界のシリーズの深い不均一性としばしば苦労する。 そこで我々はGatedLinearを提案する。GatedLinearは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である。 GatedLinearは、スムーズな投影のためのグローバルトレンドシーズンベース、非定常ドリフトのための差分ベースインクリメンタルベース、明示的な循環的再利用のための位相整合繰り返しベースという3つの特殊なメカニズムのプールを利用する。 これらの異なる動作を動的にオーケストレーションするために、経路決定をチャネル固有の選好、地平線対応オフセット、および既知の将来の時刻マークから派生した位相インデクシングバイアスに分解するTri-Factorized Fusion Gateを導入する。 この設計により、計算的に重いニューラルモジュールを積み重ねることなく、様々な予測レジームにまたがる非常にきめ細かな、ポイントワイドなルーティングを実行することができる。 標準ベンチマーク実験により,近年の複雑な基礎モデルに対して,提案手法が最先端ないし競争性の高い精度を実現するとともに,明確な解釈可能なルーティングパターンを提供し,パラメータフットプリントを大幅に小さくすることを示した。

関連論文リスト

• Symbolic Neural ODEs: Learning interpretable models from time-series data [0.0]
  時系列データから動的システムのスパースで解釈可能なモデルを特定するための機械学習フレームワークを提案する。 本稿では,ニューラルネットワークを用いて基礎となるベクトル場をパラメータ化し,有限地平線上の多段階予測損失を最小限に抑えて学習する。 多段階学習は, 長期統計特性において, 高精度な短期力学と強い一致を持つモデルが得られることを示す。
  論文  参考訳（メタデータ） (2026-08-22T21:31:07Z)
• RhyMix: A Lightweight Adaptive Multi-Rhythm Network for Long-Term Time Series Forecasting [0.19116784879310025]
  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。
  論文  参考訳（メタデータ） (2026-07-09T08:29:38Z)
• One Step Closer to Ground Truth: A Multi-Scale Residual-Aware Representation Learning Pipeline for Predicting Time Series Data [6.704099492625706]
  本稿では,予測と残差学習を表現学習の異なる段階に明確に分離する2段階のモデル非依存フレームワークを提案する。 このパイプラインを仮説空間拡張として定式化することにより、我々のフレームワークは単一ステージアーキテクチャに固有の近似制限に対処する。
  論文  参考訳（メタデータ） (2026-06-09T10:31:54Z)
• Probability-Conserving Flow Guidance [49.03107678763765]
  Adaptive Manifold Guidance (AdaMaG)はリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。 画像生成ベンチマーク全体で、AdaMaGはリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。
  論文  参考訳（メタデータ） (2026-05-19T16:34:01Z)
• 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)
• TimeSynth: A Framework for Uncovering Systematic Biases in Time Series Forecasting [0.9332987715848716]
  Time Synthは、リアルタイム時系列の重要な特性をエミュレートする構造化されたフレームワークである。 リニア、マルチレイヤパーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、トランスフォーマーの4つのモデル群を評価する。
  論文  参考訳（メタデータ） (2026-02-11T22:31:29Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• 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)
• 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。