論文の概要: FreKoo++: Learning Continuous Spectral Dynamics for Temporal Domain Generalization
- arxiv url: http://arxiv.org/abs/2608.22224v1
- Date: Sun, 23 Aug 2026 05:22:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.656487
- Title: FreKoo++: Learning Continuous Spectral Dynamics for Temporal Domain Generalization
- Title（参考訳）: FreKoo++: 時間領域の一般化のための連続スペクトルダイナミクスの学習
- Abstract要約: 時間的ドメインの一般化は、歴史的ドメインから学び、概念的ドリフトの下で見えない将来の分布に一般化することを目的としている。
本稿では,適応スペクトル分散を伴う連続クープマンモーダル力学の統一を開拓する,新しい連続スペクトル力学フレームワークであるFreKoo++を提案する。
FreKoo++は、複雑なマルチスケールドリフトと不規則サンプリングの下で最先端のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 28.679725417985008
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Temporal Domain Generalization (TDG) aims to learn from historical domains and generalize to unseen future distributions under concept drift. Nevertheless, prevailing TDG methods struggle with complex real-world streaming scenarios involving both multi-scale drift patterns (e.g., long-term periodicity intertwined with short-term incremental changes) and local uncertainties, especially in continuous settings where observations arrive irregularly. To address this limitation, we propose FreKoo++, a novel continuous spectral-dynamical framework that pioneers the unification of continuous Koopman modal dynamics with adaptive spectral disentanglement. Specifically, FreKoo++ maps source-domain parameters into a compact latent space, modeling their evolution as a superposition of learnable continuous modes where complex eigenvalues jointly encode oscillatory frequency and temporal growth or decay. This formulation naturally accommodates irregular timestamps and supports arbitrary horizon extrapolation without rigid discrete stepping. Furthermore, we propose a new adaptive soft spectral weighting mechanism backed by stability and spectral regularization, which automatically isolates persistent dominant dynamics from transient noise without relying on manual frequency thresholds. We derive modal approximation and generalization bounds that characterize how amplitude and eigenvalue estimation errors propagate with the prediction horizon. Extensive experiments on both discrete and continuous TDG benchmarks demonstrate that FreKoo++ achieves state-of-the-art performance under complex multi-scale drifts and irregular sampling.
- Abstract（参考訳）: 時間的ドメイン一般化(TDG)は、歴史的ドメインから学び、概念的ドリフトの下で見えない未来分布に一般化することを目的としている。
それにもかかわらず、TDG法は、特に観測が不規則に到達した連続的な環境において、マルチスケールドリフトパターン(例えば、短期的な変化を伴う長期周期性)と局所的不確実性の両方を含む複雑な実世界のストリーミングシナリオに苦慮している。
この制限に対処するために、FreKoo++を提案する。これは、適応的なスペクトル分散を伴う連続クープマンモーダル力学の統一を開拓する新しい連続スペクトル力学フレームワークである。
具体的には、FreKoo++はソース領域のパラメータをコンパクトな潜在空間にマッピングし、それらの進化を学習可能な連続モードの重ね合わせとしてモデル化する。
この定式化は自然に不規則なタイムスタンプを許容し、厳密な離散的なステップなしで任意の地平線外挿をサポートする。
さらに,安定度とスペクトル正則度を背景とした適応型ソフトスペクトル重み付け機構を提案する。
我々は、振幅と固有値推定誤差が予測水平線にどのように伝播するかを特徴付けるモーダル近似と一般化境界を導出する。
離散的および連続的なTDGベンチマークの広範な実験は、FreKoo++が複雑なマルチスケールドリフトと不規則サンプリングの下で最先端のパフォーマンスを達成することを示した。
関連論文リスト
- Sequential RC-TGAN: Generating Relational Time Series with Spectral Envelope Loss [2.6599014990168834]
本稿では,RC-TGANフレームワークの時間拡張であるSequential RC-TGAN(Seq. RC-TGAN)について紹介する。
エンド・ツー・エンドのアプローチは、循環パターンの再現や長期的季節性において最先端のシステムよりも著しく優れています。
論文 参考訳（メタデータ） (2026-06-30T16:09:10Z) - Latent Laplace Diffusion for Irregular Multivariate Time Series [16.474933482743513]
対象を低次元の潜在軌道としてモデル化する生成フレームワークであるLaplace Diffusionを提案する。
LLapDiffは、物理的時間とともにステップバイステップの統合なしで水平線全体の生成を可能にする。
また, 連続力学と不規則な観測とを更新・蓄積解析により関連づける。
論文 参考訳（メタデータ） (2026-05-19T13:04:53Z) - 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) - Decorrelating the Future: Joint Frequency Domain Learning for Spatio-temporal Forecasting [2.502143380601666]
モデル時間スペクトルの監視範囲を拡大する周波数強調学習目標を提案する。
FreSTは、統一スペクトル領域における予測と基底真理を一致させ、空間と時間の両方にわたる複雑な依存関係を効果的にデコレーションする。
論文 参考訳（メタデータ） (2026-02-13T20:42:49Z) - Parallel Complex Diffusion for Scalable Time Series Generation [50.01609741902786]
PaCoDiは周波数領域における生成モデリングを分離するスペクトルネイティブアーキテクチャである。
本研究では,PaCoDiが生成品質と推論速度の両方において,既存のベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2026-02-10T14:31:53Z) - 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) - RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。
従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。
実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
論文 参考訳（メタデータ） (2025-10-16T17:59:13Z) - Learning Robust Spectral Dynamics for Temporal Domain Generalization [35.98513351187109]
時間的ドメイン一般化は、進化するドメインをまたいだモデル一般化を可能にすることを目指している。
本稿では,パラメータ軌跡の周波数領域解析により,これらの課題に対処するFreKooを紹介する。
FreKooは、複雑なドリフトと不確実性を備えた現実世界のストリーミングシナリオに優れています。
論文 参考訳（メタデータ） (2025-05-19T00:38:18Z) - Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。
本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-02-18T05:35:01Z) - Convergence of mean-field Langevin dynamics: Time and space
discretization, stochastic gradient, and variance reduction [49.66486092259376]
平均場ランゲヴィンダイナミクス(英: mean-field Langevin dynamics、MFLD)は、分布依存のドリフトを含むランゲヴィン力学の非線形一般化である。
近年の研究では、MFLDは測度空間で機能するエントロピー規則化された凸関数を地球規模で最小化することが示されている。
有限粒子近似,時間分散,勾配近似による誤差を考慮し,MFLDのカオスの均一時間伝播を示す枠組みを提供する。
論文 参考訳（メタデータ） (2023-06-12T16:28:11Z)
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。