論文の概要: DSTFView: Multi-View Cloud-Edge Workload Forecasting with Dual-Input Spatio-Temporal-Frequency Modeling
- arxiv url: http://arxiv.org/abs/2607.22565v1
- Date: Sat, 30 May 2026 06:22:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:38.96676
- Title: DSTFView: Multi-View Cloud-Edge Workload Forecasting with Dual-Input Spatio-Temporal-Frequency Modeling
- Title（参考訳）: DSTFView: Dual-Input Spatio-Temporal-Frequency Modelingによるマルチビュークラウドエッジワークロード予測
- Authors: Qingzhong Li, Hui Ma, Yajun Zhang, Qingchang Ma, Zhou Long,
- Abstract要約: DSTFViewは、クラウドエッジ環境のためのデュアル周波数時間マルチビュー予測フレームワークである。
それは、複数の予測と評価の指標で代表的ベースラインを一貫して上回る。
- 参考スコア（独自算出の注目度）: 5.887357714262447
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the widespread deployment of edge-side AI inference, edge platforms are increasingly required to support latency-sensitive, highly concurrent, and reliability-critical applications. However, existing methods often struggle to balance multidimensional feature modeling and forecasting efficiency in collaborative cloud-edge environments. To address this issue, we propose DSTFView, a dual-input spatio-temporal-frequency multi-view workload forecasting framework for collaborative cloud-edge environments. It jointly models closeness and period dependencies and extracts spatial, temporal, and frequency-domain dependencies. Besides, it designs an adaptive fusion mechanism and adjusts the contribution of each view to capture abrupt changes. Experimental results on the CPU and TP datasets demonstrate that DSTFView consistently outperforms representative baselines across multiple forecasting horizons and evaluation metrics.
- Abstract（参考訳）: エッジサイドのAI推論が広く展開されるにつれ、エッジプラットフォームはレイテンシに敏感で、高度に並列性があり、信頼性に重要なアプリケーションをサポートする必要がますます高まっている。
しかし、既存の手法は、協調的なクラウドエッジ環境において、多次元の特徴モデリングと予測効率のバランスをとるのに苦労することが多い。
この問題に対処するため,DSTFViewを提案する。これは,クラウドエッジ環境と協調する作業負荷予測フレームワークである。
近接性と周期依存を共同でモデル化し、空間的、時間的、周波数領域依存を抽出する。
さらに、適応的な融合機構を設計し、各ビューのコントリビューションを調整して、突然の変化をキャプチャする。
CPUとTPデータセットの実験的結果は、DSTFViewが複数の予測水平線と評価指標で代表ベースラインを一貫して上回っていることを示している。
関連論文リスト
- Latent Visual States for Efficient Multimodal Reasoning [58.350643620457]
EVA(LatEnt Visual StAtes)は、連続的な潜伏した視覚表現を生成する新しいフレームワークである。
これらの内部表現は、Latnt_slotトークンの適応シーケンスとして表される。
EVAは推論効率を高めつつ、大幅な性能向上を達成する。
論文 参考訳（メタデータ） (2026-06-23T07:22:22Z) - 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) - 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) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - Comparative analysis of dual-form networks for live land monitoring using multi-modal satellite image time series [13.871139108427357]
本稿では,効率的なマルチモーダルSITS解析のための多モードアテンション機構について検討する。
本研究では,シーケンスの指標ではなく,実際の取得日に基づくトークン距離を計算する2形式機構の時間的適応を開発する。
論文 参考訳（メタデータ） (2026-03-25T09:14:42Z) - UniMamba: A Unified Spatial-Temporal Modeling Framework with State-Space and Attention Integration [24.102050375727263]
UniMambaは、統合された時空間予測フレームワークである。
これは、効率的な状態空間のダイナミクスと注意に基づく依存性学習を統合する。
予測精度と計算効率の両方において、最先端の予測モデルより一貫して優れている。
論文 参考訳（メタデータ） (2026-03-06T05:00:28Z) - Shared Representation Learning for High-Dimensional Multi-Task Forecasting under Resource Contention in Cloud-Native Backends [12.826922983028082]
本研究では,クラウドネイティブバックエンドシステムの予測要求を満たすため,高次元マルチタスク時系列の統一予測フレームワークを提案する。
本手法は,多様なモニタリング指標を統一的に表現するための共有符号化構造を構築する。
ノード間の潜在的な依存関係をモデル化するために、クロスタスク構造伝搬モジュールが導入された。
論文 参考訳（メタデータ） (2025-12-24T11:02:03Z) - UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。
コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。
8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-12-08T05:36:14Z) - D-CTNet: A Dual-Branch Channel-Temporal Forecasting Network with Frequency-Domain Correction [11.53114720089225]
Patch-based Dual-Branch Channel-Temporal Forecasting Network (D-CTNet)を提案する。
本手法は,チャネル内時間進化パターンと動的多変量相関を明示的に分離し,共同で学習する。
我々の研究は、産業協力システムのための新しい予測エンジンとして大きな可能性を秘めている。
論文 参考訳（メタデータ） (2025-11-30T15:10:03Z) - Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。
本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。
STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。
様々な密集した予測タスクと多様な意味クラス予測を統一する。
論文 参考訳（メタデータ） (2025-05-18T07:39:17Z) - Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [51.01356105618118]
時系列はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。
既存のアプローチでは、通常、これらのさまざまなパターンをキャプチャするために単一のモデルをトレーニングするが、しばしばパッチ間のパターンのドリフトに苦労する。
より正確で適応可能な時系列予測にパターン特化の専門家を活用する新しいアーキテクチャであるTFPSを提案する。
論文 参考訳（メタデータ） (2024-10-13T13:35:29Z)
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。