論文の概要: Hopformer: Homogeneity-Pursuit Transformer for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2607.22299v1
• Date: Fri, 24 Jul 2026 13:44:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.136635
• Title: Hopformer: Homogeneity-Pursuit Transformer for Time Series Forecasting
• Title（参考訳）: ホップフォーマー: 時系列予測のための均一性-Pursuit変換器
• Authors: Wan Zhang, Qinjie Lin, Chan Lee, Weijian Li, Han Liu, Kai Zhang,
• Abstract要約: 複数の時系列を予測するための2段階フレームワークであるHopformerを紹介する。 Hopformerは、合成および実世界の予測ベンチマークで平均6.56%MASEを改善した。
• 参考スコア（独自算出の注目度）: 12.291568072838736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting multiple time-series with high-dimensional covariates presents a core challenge: unifying common temporal patterns while retaining meaningful series-specific information. We introduce Hopformer (Homogeneity-Pursuit Transformer), a two-stage framework that addresses this challenge. In the first stage, we perform a Sparsity Pattern Aggregation (SPA) scheme extracting a common low-variance trend that incorporates the covariates. This acts as a homogenization layer. In the second stage, a LoRA-fine-tuned Transformer models the remaining complex dependencies in the residual. Our method is theoretically grounded. We prove that SPA achieves a near-optimal bias-variance trade-off via an oracle inequality. We also provide generalization bounds for the second stage under dependent time series data. Hopformer sets a new state of the art, improving MASE by an average of 6.56% across synthetic and real-world forecasting benchmarks.
• Abstract（参考訳）: 高次元の共変量で複数の時系列を予測することは、共通の時間パターンを統一し、意味のある時系列情報を保持しながら、重要な課題となる。 この課題に対処する2段階のフレームワークであるHopformer(Homogeneity-Pursuit Transformer)を紹介します。 最初の段階では、共変量を含む共通低分散傾向を抽出するスパーシティ・パターン・アグリゲーション(SPA)方式を実行する。 これは均質化層として機能する。 第2段階では、LoRA微調整トランスフォーマーが残余の複雑な依存関係をモデル化する。 我々の手法は理論的に根拠づけられている。 我々はSPAがオラクルの不等式を介してほぼ最適バイアス分散トレードオフを達成することを証明した。 また、依存時系列データに基づく第2段階の一般化バウンダリも提供する。 Hopformerは、新しい最先端技術を設定し、合成および実世界の予測ベンチマークで平均6.56%MASEを改善した。

関連論文リスト

• TiRex-2: Generalizing TiRex to Multivariate Data and Streaming [18.283731851361182]
  TiRex-2はxLSTMベースの時系列基礎モデルである。 TiRex を過去と将来の共変量と共に多変量予測に一般化する。 TiRex-2はGIFT-Evalとfev-benchで最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2026-07-01T17:45:04Z)
• 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)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Explaining Time Series via Contrastive and Locally Sparse Perturbations [45.055327583283315]
  ContraLSPは、非形式的摂動を構築するために反事実サンプルを導入するスパースモデルである。 合成と実世界の両方のデータセットに関する実証研究は、ContraLSPが最先端のモデルより優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-16T18:27:37Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Variance Reduction in Training Forecasting Models with Subgroup Sampling [34.941630385114216]
  一般的に用いられる勾配(例)の予測モデルを示す。 sgd) 大きなばらつきがあり、長時間のトレーニングが必要となる。 この問題を軽減するために,サブグループサンプリングというサンプリング戦略を提案する。 SCottは勾配と壁面時計の両方の目標に対してより高速に収束することを示す。
  論文  参考訳（メタデータ） (2021-03-02T22:23:27Z)

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。