論文の概要: TFGformer: Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate Fusion

• arxiv url: http://arxiv.org/abs/2607.29459v1
• Date: Fri, 31 Jul 2026 14:24:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.760037
• Title: TFGformer: Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate Fusion
• Title（参考訳）: TFGformer: 時間周波数グラフ学習と共変融合による多変量時系列予測
• Abstract要約: 本稿では,形状認識メモリ(SAM)とRevIN正規化を統合した検索拡張予測フレームワークを提案する。 7つの公開ベンチマークの実験では、CrossRAGはパラメトリックのみのベースラインと既存の検索拡張予測手法の両方を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 12.980172248250257
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Large-scale multivariate time series from heterogeneous IoT sensors demand accurate long-term forecasting for resource scheduling and predictive maintenance. While recent time series foundation models exhibit strong generalization, they rely on static parametric knowledge and lack dynamic access to external historical patterns during inference. Retrieval-Augmented Generation (RAG) offers a potential remedy, yet its application to time series forecasting is challenged by magnitude variations across heterogeneous sources and the mismatch between historical similarity and future consistency. We propose CrossRAG, a retrieval-augmented forecasting framework that integrates Shape-Aware Memory (SAM) with RevIN normalization for magnitude-robust shape-level retrieval, Future-Consistent Contrastive (FCC) learning to distinguish informative references from hard negatives with similar history but divergent futures, and Cross-Attention Temporal Fusion (CATF) to fuse retrieved historical--future reference pairs into the backbone's representations at the representation level. Experiments on seven public benchmarks show that CrossRAG consistently outperforms both parametric-only baselines and existing retrieval-augmented forecasting methods.
• Abstract（参考訳）: 不均一IoTセンサからの大規模多変量時系列は、リソーススケジューリングと予測保守のための正確な長期予測を要求する。 最近の時系列基礎モデルは強力な一般化を示すが、それらは静的パラメトリック知識に依存し、推論中に外部の歴史的パターンへの動的アクセスを欠いている。 Retrieval-Augmented Generation (RAG) は潜在的な治療法を提供するが、その時系列予測への応用は、異種ソース間の大きさのばらつきと、歴史的類似性と将来の一貫性のミスマッチによって挑戦されている。 形状認識メモリ(SAM)とRevIN正規化を統合した検索強化予測フレームワークであるCrossRAGを提案する。 7つの公開ベンチマークの実験では、CrossRAGはパラメトリックのみのベースラインと既存の検索拡張予測手法の両方を一貫して上回っている。

関連論文リスト

• Multivariate Time Series Forecasting needs Cross Variable Loss [11.325603740473376]
  クロス変数グラフ上の予測残差を制約するプラグイン構造正規化器を提案する。 CvLossは、予測パッチに対するエッジワイド残差の矛盾をペナルティ化し、同期と非同期の両方のインタラクションの一貫性を奨励する。 実験の結果、CvLossは競争予測モデルの改善を一貫して行い、代表的学習目標を上回り、様々な予測バックボーンと互換性があることが判明した。
  論文  参考訳（メタデータ） (2026-08-06T08:22:45Z)
• Spectral Retrieval-Augmented Time-Series Forecasting [7.885089945243776]
  時系列予測は、過去のパターンを活用して将来の価値を予測するが、従来の手法は複雑な非定常パターンを扱う際に課題に直面している。 検索の強化されたアプローチは、予測を強化するために同様の歴史的パターンを取得することによって、有望な解決策として現れてきた。 時系列をウィンドウ化された周波数表現に変換する新しい検索手法であるSpecReTFを提案する。
  論文  参考訳（メタデータ） (2026-06-17T15:42:19Z)
• Semantics-Enhanced Retrieval-Augmented Time Series Forecasting [5.059121667323038]
  時系列予測モデルは、しばしば歴史的パターンの恩恵を受ける。 最近の研究は、予測を強化するために、関連する時系列セグメントを検索することを検討した。 textbfSemantics-textbfEnhanced textbfRetrieval-textbfAugmented Time Series textbfForecasting framework, SERAF。
  論文  参考訳（メタデータ） (2026-06-12T20:32:10Z)
• Trio: Learning Time-Series Forecasting with Temporal-Spatial-Sample Attention and Structural Causal Priors [27.20677965052]
  近年のPFN(Presideed-Data Fitted Networks)は、合成タスクが伝達可能な推論動作の学習に役立つことを示唆している。 本稿では,Trioを提案する。Trioは時間-空間-サンプルの注意に基づく時系列予測アーキテクチャである。 本研究では,時間系列構造因果モデル (TS-SCM) を用いて,動的ラグ,異種間相互作用,ノイズ,フィードバック,分布ドリフトを含む構造化された合成予測タスクを生成する。
  論文  参考訳（メタデータ） (2026-06-05T14:01:58Z)
• Stationarity-Aware Retrieval-Augmented Time Series Forecasting [5.059121667323038]
  時系列予測は歴史的パターンに依存している。 リアルワールドシリーズは、しばしば非定常性やレギュラーシフトを示す。 定常性を考慮した検索時系列予測手法を提案する。
  論文  参考訳（メタデータ） (2026-06-02T18:47:16Z)
• RAVEN: Real-time Autoregressive Video Extrapolation with Consistency-model GRPO [53.38929612273108]
  因果自己回帰ビデオ拡散モデルは、以前生成されたコンテンツから将来のチャンクを外挿することでリアルタイムストリーミング生成をサポートする。 本稿では,リアルタイム自動回帰ビデオ補間ネットワーク(RAVEN)を紹介した。これは,各自己ロールアウトを,クリーンな歴史的エンドポイントのインターリーブシーケンスに再パッケージするトレーニングタイムテストフレームワークである。
  論文  参考訳（メタデータ） (2026-05-14T17:59:30Z)
• Preserving Temporal Dynamics in Time Series Generation [0.2099922236065961]
  時系列データの増大は回帰指向予測タスクにおいて重要な役割を果たす。 既存のアプローチは主に、限界データ分布のマッチングに重点を置いている。 モデルに依存しないマルコフ・チェイン・モンテカルロフレームワークを提案し、分布シフトを緩和し、時間的ダイナミクスを保存する。
  論文  参考訳（メタデータ） (2026-04-29T20:32:45Z)
• 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)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• 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)
• 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)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)

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。