論文の概要: Frequency Selective Neural Networks as a Foundation Architecture for Time Series Learning

• arxiv url: http://arxiv.org/abs/2608.29012v1
• Date: Sat, 29 Aug 2026 02:51:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.815814
• Title: Frequency Selective Neural Networks as a Foundation Architecture for Time Series Learning
• Title（参考訳）: 時系列学習のための基礎構造としての周波数選択型ニューラルネットワーク
• Abstract要約: 本稿では,周波数選択ニューラルネットワーク(FSNN)を導入し,物理的解釈性を保証する基盤アーキテクチャを開拓した。 FSNNは、高度信号処理の厳密な数学を神経トポロジーに明示的に埋め込むことでスペクトル絡みに対処する。 FSNNは最先端の予測性能を確立し、平均精度は7.0%である。
• 参考スコア（独自算出の注目度）: 10.247004661473225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series data across physical and biological domains are fundamentally driven by complex, non-stationary oscillatory modes. While deep learning models, such as Convolutional Neural Networks (CNNs), Recurrent Neural Networks, and Transformers, have dominated sequential analysis, they remain fundamentally "spectral-blind". By mapping continuous physical waves into unconstrained spatial or discrete token spaces, these architectures suffer from severe spectral entanglement, acting as opaque black boxes that decouple predictive accuracy from physical reality. In this paper, we introduce the Frequency Selective Neural Network (FSNN), pioneering a foundation architecture guaranteeing physical interpretability without sacrificing expressive power of deep learning. FSNN addresses spectral entanglement by explicitly embedding the rigorous mathematics of advanced signal processing into its neural topology. Through a fully differentiable Wiener-like filter bank optimized via complex-domain backpropagation, FSNN autonomously discovers and isolates the precise physical modes of a given task. Extensive evaluations demonstrate that FSNN establishes state-of-the-art predictive performance, achieving $77.0\%$ average accuracy on the standard 10 multivariate UEA datasets and leading across all major metrics on the highly imbalanced PTB-XL clinical ECG benchmark. Crucially, in contrast to yielding abstract feature maps, FSNN converges directly on physically meaningful frequency bands, such as isolating the cardiac QRS complex, providing a highly scalable, interpretable paradigm for robust pattern recognition in complex temporal domains. Our code is available at: https://github.com/ad6174hhhh/FSNN.
• Abstract（参考訳）: 物理的および生物学的領域にわたる時系列データは、基本的に複雑な非定常振動モードによって駆動される。 畳み込みニューラルネットワーク(CNN)やリカレントニューラルネットワーク(Recurrent Neural Networks)、トランスフォーマー(Transformers)といったディープラーニングモデルは、シーケンシャルな分析を支配してきたが、基本的には「スペクトルブラインド」のままである。 連続した物理的波動を制約のない空間や離散的なトークン空間にマッピングすることで、これらのアーキテクチャは厳しいスペクトルの絡み合いに悩まされ、予測精度を物理的現実から切り離す不透明なブラックボックスとして機能する。 本稿では、深層学習の表現力を犠牲にすることなく、物理的解釈性を保証する基礎的アーキテクチャである周波数選択ニューラルネットワーク(FSNN)を紹介する。 FSNNは、高度信号処理の厳密な数学を神経トポロジーに明示的に埋め込むことでスペクトル絡みに対処する。 複雑なドメインのバックプロパゲーションによって最適化された、完全に微分可能なWienerライクなフィルタバンクを通じて、FSNNは、与えられたタスクの正確な物理モードを自律的に発見し、分離する。 大規模な評価は、FSNNが最先端の予測性能を確立し、標準的な10の多変量UEAデータセットの平均精度を7.0 %達成し、高度に不均衡なTB-XL臨床心電図ベンチマークのすべての主要な指標を導いたことを示している。 重要なことに、FSNNは抽象的特徴写像を生成するのとは対照的に、心QRS複合体を分離するなど、物理的に意味のある周波数帯域に直接収束し、複雑な時間領域における堅牢なパターン認識のための高度にスケーラブルで解釈可能なパラダイムを提供する。 私たちのコードは、https://github.com/ad6174hhhh/FSNN.comで利用可能です。

関連論文リスト

• Solving the Elastic Wave Equation with Physics-Informed Neural Networks: A Robust and Critical Assessment [0.42970700836450476]
  偏微分方程式(PDE)の解法として物理情報ニューラルネットワーク(PINN)が誕生した。 地震学における弾性波方程式の解法として, PINNを頑健かつ批判的に評価する。
  論文  参考訳（メタデータ） (2026-09-07T21:01:29Z)
• SpikF-GO: Spiking Fourier Graph Operators for Multivariate Time Series Forecasting [7.728582341572231]
  スパイキングニューラルネットワーク(SNN)は、従来のニューラルネットワークに代わるエネルギー効率の高い代替手段として登場した。 時系列予測のためのスパイキングフーリエグラフ演算子(SpikF-GO)を提案する。 本稿では,Central Pattern Generatorをベースとした位置エンコーディングを組み込んで,より強力な長期時間モデルを提案する。
  論文  参考訳（メタデータ） (2026-06-11T20:48:38Z)
• Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
  本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。 このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。 GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
  論文  参考訳（メタデータ） (2026-02-13T04:38:51Z)
• Causal Convolutional Neural Networks as Finite Impulse Response Filters [3.268966882982408]
  因果畳み込みニューラルネットワーク(Causal Convolutional Neural Networks, CNN)は、動的システムに関わるタスクに対して、スペクトル機能を暗黙的かつ明示的にキャプチャする。 ネットワーク全体が、最小二乗基準で最適化されたFIRフィルタに似た、等価な単一層フィルタに還元可能であることを示す。 この等価性は、スパース周波数の信号に基づいて訓練されたCNNのスペクトル学習行動に関する新たな洞察を与える。
  論文  参考訳（メタデータ） (2025-10-28T06:57:14Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• Spectral Cross-Domain Neural Network with Soft-adaptive Threshold Spectral Enhancement [12.837935554250409]
  スペクトルクロスドメインニューラルネットワーク(SCDNN)という新しいディープラーニングモデルを提案する。 同時に、ニューラルネットワーク内のスペクトル領域と時間領域に埋め込まれたキー情報を明らかにする。 提案するSCDNNは、パブリックECGデータベースの textitPTB-XL と textitMIT-BIH に実装されたいくつかの分類タスクでテストされる。
  論文  参考訳（メタデータ） (2023-01-10T14:23:43Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• An optimised deep spiking neural network architecture without gradients [7.183775638408429]
  本稿では、局所シナプスおよびしきい値適応ルールを用いたエンドツーエンドのトレーニング可能なモジュラーイベント駆動ニューラルアーキテクチャを提案する。 このアーキテクチャは、既存のスパイキングニューラルネットワーク(SNN)アーキテクチャの高度に抽象化されたモデルを表している。
  論文  参考訳（メタデータ） (2021-09-27T05:59:12Z)
• Coupled Oscillatory Recurrent Neural Network (coRNN): An accurate and (gradient) stable architecture for learning long time dependencies [15.2292571922932]
  本稿では,リカレントニューラルネットワークのための新しいアーキテクチャを提案する。 提案するRNNは, 2次常微分方程式系の時間分解に基づく。 実験の結果,提案したRNNは,様々なベンチマークによる最先端技術に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2020-10-02T12:35:04Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)

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。