Fugu-MT 論文翻訳(概要): Multivariate Time Series Forecasting with Adaptive Non-Local Observables

論文の概要: Multivariate Time Series Forecasting with Adaptive Non-Local Observables

arxiv url: http://arxiv.org/abs/2607.24399v1
Date: Mon, 27 Jul 2026 13:14:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:15.424542
Title: Multivariate Time Series Forecasting with Adaptive Non-Local Observables
Title（参考訳）: 適応型非局所観測値を用いた多変量時系列予測
Abstract要約: MTSF-ANO(MTSF-ANO)は,変分量子回路と適応非局所観測器(ANO)を統合したMTSFの簡易ハイブリッドモデルである。 4つのETTデータセットでは、MTSF-ANOが20設定中17設定でMSEで1位または2位にランクインし、ETTh1で最強のベースラインを最大20%改善した。量子回路設計とANO非局所性が性能に与える影響を示す。
参考スコア（独自算出の注目度）: 20.329699363747775
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multivariate time series forecasting (MTSF) predicts future values of multiple variables from historical data. While quantum neural networks have been increasingly applied to this task, they typically rely on fixed local measurements, which restrict their expressivity. We propose MTSF-ANO, a simple hybrid model for MTSF that integrates variational quantum circuits with adaptive non-local observables (ANO). On the four ETT datasets, MTSF-ANO ranks first or second in MSE in 17 of 20 settings, improving over the strongest baseline by up to 20% on ETTh1, and outperforms or matches its fixed local observable counterpart across all settings. Our ablations show how the quantum circuit design and ANO non-locality affect performance. These results suggest that ANO is a promising direction for quantum time series forecasting.
Abstract（参考訳）: 多変量時系列予測(MTSF)は、過去のデータから複数の変数の将来値を予測する。量子ニューラルネットワークはこのタスクにますます適用されているが、それらは通常、その表現性を制限する固定された局所的な測定に依存している。本稿では,変分量子回路と適応型非局所観測器(ANO)を統合するMTSF-ANOを提案する。 4つのETTデータセットでは、MTSF-ANOが20設定中17設定で第1位または第2位にランクインし、ETTh1で最強のベースラインを最大20%改善し、すべての設定でその固定されたローカルオブザーバブルを上回り、マッチする。量子回路設計とANO非局所性が性能に与える影響を示す。これらの結果は、ANOが量子時系列予測の有望な方向であることを示唆している。

関連論文リスト

QLIF-CAST: Quantum Leaky-Integrate-and-Fire for Time-Series Weather Forecasting [2.1702673021505245]
この研究は、時系列回帰タスクにQuantum Leaky Integrate-and-Fireのスパイクニューラルネットワークを適用する。 QLIF-CASTは励起ニューロン状態を、Rx回転ゲートとT1緩和崩壊によって駆動される単一量子ビット量子重ね合わせとして符号化する。 IBM Marrakeshのハードウェア検証は信頼性の高い回路実行を確認し、シミュレーションからの平均偏差はわずか1.2%である。
論文参考訳（メタデータ） (2026-05-18T12:49:46Z)
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)
Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
論文参考訳（メタデータ） (2026-02-03T16:01:22Z)
Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。 TSFMの新しい調停フレームワークであるSynapseを提案する。その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術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） (2025-11-07T18:01:51Z)
Forecast2Anomaly (F2A): Adapting Multivariate Time Series Foundation Models for Anomaly Prediction [4.113311437158182]
Forecast2Anomaly (F2A) は, TSFMに異常予測能力を付与する新しいフレームワークである。まず,TSFMを微調整し,異常点においても将来信号の正確な予測を行う共同予測・異常損失を提案する。第2に、歴史的に関連する地平線と条件予測を検索するRAG(Retrieval-Augmented Generation)モジュールを導入する。
論文参考訳（メタデータ） (2025-11-05T03:13:26Z)
T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion [0.4915744683251151]
T3Timeは、時間、スペクトル、プロンプトブランチで構成される新しい3モーダルフレームワークである。予測地平線に基づいて時間的特徴とスペクトル的特徴の優先順位付けを学習する。我々のモデルは一貫して最先端のベースラインを上回っている。
論文参考訳（メタデータ） (2025-08-06T09:31:44Z)
PFformer: A Position-Free Transformer Variant for Extreme-Adaptive Multivariate Time Series Forecasting [9.511600544581425]
PFformerは、単一ターゲットのMSS予測用に設計された、位置のないトランスフォーマーベースのモデルである。 PFformerは、EFE(Enhanced Feature-based Embedding)とAEE(Auto-Encoder-based Embedding)の2つの新しい埋め込み戦略を統合している。
論文参考訳（メタデータ） (2025-02-27T22:21:27Z)
TimePFN: Effective Multivariate Time Series Forecasting with Synthetic Data [22.458320848520042]
TimePFNは、ベイズ推定の近似を目的としたPFN(Presideed-data Fitted Networks)の概念に基づいている。我々は、いくつかのベンチマークデータセット上でTimePFNを評価し、MSS予測のための既存の最先端モデルよりも優れていることを示す。
論文参考訳（メタデータ） (2025-02-22T16:55:14Z)
Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文参考訳（メタデータ） (2024-09-05T07:18:09Z)
MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。予測性能を高めるために3段階の相関を同時に検討する。注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文参考訳（メタデータ） (2024-05-30T03:32:44Z)
Edge-Varying Fourier Graph Networks for Multivariate Time Series Forecasting [46.76885997673142]
我々は時系列変数のための効率的なグラフ畳み込みネットワークを構築した。 MTS分析と予測のために,高効率スケールフリーパラメータ学習手法を導出する。実験により、EV-FGNは7つの実世界のMTSデータセットで最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2022-10-06T17:50:07Z)
Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。提案手法は,財務時系列のバイモーダル特性を考慮したものである。我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文参考訳（メタデータ） (2021-09-01T07:52:03Z)
Fully Non-autoregressive Neural Machine Translation: Tricks of the Trade [47.97977478431973]
NAT(Fullly non-autoregressive neural Machine Translation)は、ニューラルネットワークのシングルフォワードでトークンを同時に予測する手法である。この作業では、レイテンシのアドバンテージを維持しながら、パフォーマンスのギャップを縮めることを目標としています。
論文参考訳（メタデータ） (2020-12-31T18:52:59Z)

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。