論文の概要: Structured Latent Space Modeling over Multi-Scale Temporal Patches for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2607.19404v1
• Date: Tue, 07 Jul 2026 19:19:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.923054
• Title: Structured Latent Space Modeling over Multi-Scale Temporal Patches for Multivariate Time Series Forecasting
• Title（参考訳）: 多変量時系列予測のためのマルチスケールテンポラルパッチを用いた構造化潜在空間モデリング
• Abstract要約: 我々はチャネルに依存しない多変量観測を構造化された潜在空間にマッピングするCNNベースの予測アーキテクチャであるM2Patchを紹介する。 M2Patchは、40の予測設定で57のベストと34のセカンドベストを達成している。
• 参考スコア（独自算出の注目度）: 13.891522069967507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series encode structural patterns that unfold across multiple temporal scales, yet most forecasting backbones treat learned representations as transient byproducts of prediction, leaving the organizational geometry of these patterns underexploited. We introduce M2Patch, a CNN-based forecasting architecture that maps channel-independent multivariate observations into a structured latent space through two complementary differentiable constraints. Multi-scale patching decomposes the input into overlapping temporal granularities; depthwise separable convolutions with progressive dilation extract scale-specific features in linear time; and per-scale learned projections compress these features into a compact latent representation. The latent space is organized by an intra-scale smoothness constraint that enforces temporal continuity between adjacent patches, and an inter-scale alignment constraint, realized through learnable cross-scale mappings, that restores cross-granularity interaction within the channel-independent design, ensuring that all scales encode mutually consistent representations of the underlying dynamics. Experiments on ten real-world benchmarks show that M2Patch achieves 57 best and 34 second-best results across 40 forecasting settings, matching or exceeding representative baselines on most benchmarks while maintaining linear computational complexity and robustness to patch-level input corruption.
• Abstract（参考訳）: 多変量時系列は、複数の時間スケールに広がる構造パターンをエンコードするが、ほとんどの予測バックボーンは、学習された表現を予測の過渡的な副産物として扱い、これらのパターンの組織的幾何学は未解明のままである。 我々は,チャネルに依存しない多変量観測を2つの相補的微分可能な制約によって,構造化された潜在空間にマッピングする,CNNベースの予測アーキテクチャであるM2Patchを紹介する。 マルチスケールパッチングは、入力を重なり合う時間的粒度に分解し、線形時間でプログレッシブディレーション抽出したスケール特化特徴を深く分離可能な畳み込み、そしてスケールごとの学習プロジェクションはこれらの特徴をコンパクトな潜在表現に圧縮する。 潜伏空間は、隣接するパッチ間の時間的連続性を強制するスケール内滑らか性制約と、学習可能なクロススケールマッピングによって実現されたスケール間アライメント制約によって構成される。 10の実世界のベンチマークでの実験では、M2Patchは40の予測設定で57のベストと34のセカンドベストの結果を達成し、ほとんどのベンチマークで代表的ベースラインにマッチまたは超える一方で、線形計算の複雑さとパッチレベルの入力破損に対する堅牢性を維持している。

関連論文リスト

• TiWeaver: Unified Temporal Dynamics Modeling via Contextual Patching [15.279995924017458]
  TiWeaverは、時間的ダイナミクスと細粒度チャネル間の依存関係を適応的に扱うように設計された統合フレームワークである。 12のリアルタイム時系列データセット上でTiWeaverを評価し、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-06-02T04:06:12Z)
• IPatch: A Multi-Resolution Transformer Architecture for Robust Time-Series Forecasting [1.00150464907602]
  IPatchは、ポイントワイドおよびパッチワイドトークンを統合し、複数の解像度で時間情報をモデル化するマルチレゾリューショントランスフォーマーアーキテクチャである。 7つのベンチマークデータセットの実験では、IPatchは予測精度、ノイズ、様々な予測地平線を越えた一般化を一貫して改善している。
  論文  参考訳（メタデータ） (2026-03-25T11:31:32Z)
• Spatio-Temporal Forecasting of Retaining Wall Deformation: Mitigating Error Accumulation via Multi-Resolution ConvLSTM Stacking Ensemble [3.7704625373713543]
  異なる入力解像度でトレーニングされた3つのConvLSTMモデルを、完全に接続されたニューラルネットワークメタリアナを使用して統合し、アンサンブルモデルを構築した。 数値結果と実測値の両方を用いて検証したところ、アンサンブルアプローチはスタンドアローンのConvLSTMモデルよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2026-03-11T06:12:00Z)
• 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)
• DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
  既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。 動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
  論文  参考訳（メタデータ） (2026-02-06T10:48:13Z)
• Patch-Level Tokenization with CNN Encoders and Attention for Improved Transformer Time-Series Forecasting [0.0]
  本稿では,局所的時間的表現学習をグローバル依存モデルから分離する2段階予測フレームワークを提案する。 畳み込みニューラルネットワークは、固定長の時間的パッチで動作し、短距離時間的ダイナミクスと非線形特徴相互作用を抽出する。 その後、Transformerエンコーダがパッチ間の時間依存性をモデル化し、予測を生成する。
  論文  参考訳（メタデータ） (2026-01-18T16:16:01Z)
• Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
  既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。 拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。 LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
  論文  参考訳（メタデータ） (2025-11-11T08:40:28Z)
• EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting [50.794700596484894]
  IntroPE(Entropy-Guided Dynamic Patch)は,条件付きエントロピーによる遷移点を動的に検出する新しい時間情報フレームワークである。 これは、パッチの計算上の利点を維持しながら、時間構造を保存する。 長期予測ベンチマークによる実験では、EntroPEは精度と効率の両方を改善している。
  論文  参考訳（メタデータ） (2025-09-30T12:09:56Z)
• DAMS:Dual-Branch Adaptive Multiscale Spatiotemporal Framework for Video Anomaly Detection [7.117824587276951]
  この研究は、マルチレベル特徴とデカップリング融合に基づくDual-Branch Adaptive Multiscale Stemporal Framework (DAMS)と呼ばれるデュアルパスアーキテクチャを提供する。 主処理経路は、適応型マルチスケール時間ピラミッドネットワーク(AMTPN)と畳み込みブロック注意機構(CBAM)を統合している。
  論文  参考訳（メタデータ） (2025-07-28T08:42:00Z)
• A Decoupled Spatio-Temporal Framework for Skeleton-based Action Segmentation [89.86345494602642]
  既存の手法は、弱い時間的モデリング能力に制限されている。 この問題に対処するために、Decoupled Scoupled Framework (DeST)を提案する。 DeSTは計算量が少なく、現在の最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-12-10T09:11:39Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。