論文の概要: Fuzzy-MoE: Interpretable Regime-Conditioned Expert Routing for Non-Stationary Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2608.20761v1
• Date: Fri, 21 Aug 2026 05:49:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.41152
• Title: Fuzzy-MoE: Interpretable Regime-Conditioned Expert Routing for Non-Stationary Multivariate Time Series Forecasting
• Title（参考訳）: Fuzzy-MoE:非定常多変量時系列予測のための解釈可能なRegime-Conditioned Expert Routing
• Abstract要約: Fuzzy-MoE はファジィ論理に基づく動的Mixture-of-Expertsモデルである。 潜時状態を推論し、学習可能なガウスのメンバーシップ関数を通じて専門家の活性化強度を計算する。 予測精度において、主流の予測手法を著しく上回る。
• 参考スコア（独自算出の注目度）: 10.050287855808307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In non-stationary multivariate time series, different variables and samples often exhibit heterogeneous latent dynamic states, while existing deep forecasting models usually compress them into a unified end-to-end mapping, leading to suboptimal modeling of time-varying dynamics and limited interpretability regarding which forecasting mechanism is activated under different latent states. To overcome these limitations, we reformulate time series forecasting as a unified framework of latent temporal state identification and interpretable expert routing, and propose Fuzzy-MoE, a fuzzy logic-based dynamic Mixture-of-Experts model. Fuzzy-MoE consists of multiple parallel expert mapping networks and a dual-view fuzzy router. By jointly exploiting local convolutional dynamics and global segmented statistics, the router infers latent temporal states and computes expert activation strengths through learnable Gaussian membership functions, enabling explicit IF-THEN rule-based expert selection. This fine-grained routing strategy allows different variables within the same sequence to activate different experts, effectively capturing heterogeneous temporal dynamics while improving model interpretability. Experimental results on multiple public time series benchmark datasets show that Fuzzy-MoE significantly outperforms mainstream forecasting methods in forecasting accuracy. Moreover, fuzzy memberships and rule activations provide interpretable routing diagnostics, demonstrating the effectiveness of the proposed framework in both forecasting performance and mechanism transparency. Unlike traditional MoE models that use black-box routing, Fuzzy-MoE`s routing is based on clear, interpretable fuzzy rules. This makes the expert selection transparent and traceable.
• Abstract（参考訳）: 非定常多変量時系列では、異なる変数やサンプルは、しばしば不均一な潜伏状態を示すが、既存の深部予測モデルは、それらを統一されたエンドツーエンドのマッピングに圧縮し、異なる潜伏状態の下で予測機構が活性化される限定的な解釈可能性や時間変動力学を最適にモデル化する。 これらの制約を克服するために、時系列予測を潜時状態同定と解釈可能なエキスパートルーティングの統一的なフレームワークとして再構成し、ファジィ論理に基づく動的混合-専門家モデルであるFuzzy-MoEを提案する。 Fuzzy-MoEは複数の並列専門家マッピングネットワークとデュアルビューファジィルータで構成されている。 局所畳み込み力学とグローバルセグメンテーション統計を併用することにより、ルータは潜時状態を推定し、学習可能なガウスのメンバーシップ関数を通じて専門家アクティベーションの強度を計算し、明示的なIF-THENルールベースのエキスパート選択を可能にする。 このきめ細かいルーティング戦略により、同じシーケンス内の異なる変数が異なる専門家を活性化し、モデル解釈性を改善しながら、不均一な時間的ダイナミクスを効果的に捉えることができる。 複数の公開時系列ベンチマークデータセットによる実験結果から,Fuzzy-MoEは予測精度において主流の予測手法を著しく上回ることがわかった。 さらに、ファジィメンバシップとルールアクティベーションは解釈可能なルーティング診断を提供し、性能予測とメカニズム透過性の両方において提案フレームワークの有効性を示す。 ブラックボックスルーティングを使用する従来のMoEモデルとは異なり、Fuzzy-MoEのルーティングはクリアで解釈可能なファジィルールに基づいている。 これにより、専門家の選択が透明でトレース可能である。

関連論文リスト

• DynG-Diff: A State-Aware Dynamic Guidance Diffusion Framework for Probabilistic Time Series Forecasting [5.481186173682205]
  DynG-Diffは確率的時系列予測のための可変感度動的誘導拡散フレームワークである。 リアルタイムノイズ状態と1ステップの騒音推定から可変信頼性を推定し、動的誘導強度行列を出力する。 実世界のベンチマーク実験は、最先端条件拡散モデルに対する競合確率予測性能を示す。
  論文  参考訳（メタデータ） (2026-09-02T03:50:39Z)
• SegDiff: Segmented Trajectory Diffusion for Consistent and Adaptive Robot Manipulation [65.81476183180527]
  両パラダイムの長所を統合するクローズドループビズモータポリシであるSegDiffを紹介する。 SegDiffはデモをキーセグメンテーション間で動作セグメントに分解し、現在の状態から次のキーセグメンテーションまでの連続的な軌跡を予測することを学習する。 SegDiffは、さまざまなシミュレートされた実世界のシナリオにおいて、既存のアプローチよりも大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2026-07-13T02:48:03Z)
• Multi-Rate Mixture of Experts for Accelerating Liquid Neural Network Training [5.248012610915348]
  液体ニューラルネットワーク(LNN)は、連続時間力学によってこれらの制限に対処する。 液状ニューラルネットワーク上に構築したMR-MoE(Multi-Rate Mixture-of-Experts)フレームワークを提案する。 提案したアーキテクチャでは、複数のLNNベースの専門家が異なる時間スケールで活動し、モデルがゆっくりと進化する時間的傾向から高速に変化するダイナミクスを明示的に分離することができる。
  論文  参考訳（メタデータ） (2026-06-10T15:43:20Z)
• 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)
• ForecastGAN: A Decomposition-Based Adversarial Framework for Multi-Horizon Time Series Forecasting [0.5213778368155993]
  時系列予測は、ファイナンスからサプライチェーン管理までの領域で必須である。 本稿では,マルチホライズン予測のための新しい解析手法であるForecastGANを紹介する。 ForecastGANは、短期予測のための最先端のトランスフォーマーモデルより一貫して優れており、長期水平線では競争力を維持している。
  論文  参考訳（メタデータ） (2025-11-06T15:19:23Z)
• 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)
• Interpretable time series analysis with Gumbel dynamics [7.190567053576657]
  動的システムの切り替えは、解釈可能性を維持しながら複雑な時系列データをモデル化することができる。 この集合の離散的な性質のため、そのようなモデルは滑らかで変動速度の遷移を捉えるのに苦労する。 本稿ではGumbel Dynamical Model(GDM)を提案する。
  論文  参考訳（メタデータ） (2025-09-25T20:56:01Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)
• Flow-based Spatio-Temporal Structured Prediction of Motion Dynamics [21.24885597341643]
  条件付き流れ (CNF) は、高次元と相互相関を持つ複雑な分布を表現できるフレキシブルな生成モデルである。 本研究では,時間的入力特徴の出力を自己回帰的に正規化する新しい手法としてMotionFlowを提案する。 本稿では,予測,動き予測時系列予測,二分節分割などのタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2021-04-09T14:30:35Z)
• Deep Neural Dynamic Bayesian Networks applied to EEG sleep spindles modeling [0.0]
  本稿では,視覚的スコアリングにおいて専門家が積極的に実施する制約を組み込んだ単一チャネル脳波生成モデルを提案する。 我々は、一般化期待最大化の特別な場合として、正確に、抽出可能な推論のためのアルゴリズムを導出する。 我々は、このモデルを3つの公開データセット上で検証し、より複雑なモデルが最先端の検出器を越えられるように支援する。
  論文  参考訳（メタデータ） (2020-10-16T21:48:29Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。