論文の概要: HypLTSF: A Hyperbolic Geometric View of Multi-Scale Hierarchies for Long-Term Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.08286v1
• Date: Tue, 08 Sep 2026 05:55:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.592397
• Title: HypLTSF: A Hyperbolic Geometric View of Multi-Scale Hierarchies for Long-Term Time Series Forecasting
• Title（参考訳）: HypLTSF: 長期連続予測のためのマルチスケール階層の双曲幾何学的視点
• Abstract要約: 我々は,ポアンカレ球にスケールワイド表現を埋め込むことにより,具体的幾何学形式でマルチスケール階層を実現するフレームワークであるHypLTSFを紹介する。 長期時系列予測ベンチマークの実験では、HypLTSFが最先端の性能を達成することが示されている。
• 参考スコア（独自算出の注目度）: 3.836101499114879
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-scale modeling has become an effective approach for long-term time series forecasting, capturing temporal patterns that range from fine-grained local dynamics to coarse global trends. Representations across these temporal scales are inherently hierarchical, with coarser scales abstracting and aggregating information from finer ones. While existing approaches readily exchange information across these scales, the hierarchy itself is typically left as an emergent byproduct of such interactions rather than captured as a geometric structure in its own right. In this paper, we introduce HypLTSF, a framework that endows the multi-scale hierarchy with a concrete geometric form by embedding scale-wise representations into the Poincaré ball, whose exponentially expanding volume naturally accommodates hierarchical structures. To align this geometry with the temporal hierarchy, HypLTSF imposes two constraints: (1) a radial constraint that orders embeddings by their level of abstraction, and (2) an angular constraint that groups fine-scale patterns sharing a common coarser-scale ancestor. Extensive experiments on long-term time series forecasting benchmarks show that HypLTSF achieves state-of-the-art performance, suggesting that explicitly modeling the multi-scale hierarchy as a geometric structure is effective for forecasting.
• Abstract（参考訳）: マルチスケールモデリングは、局所的な微粒化から粗大なグローバルトレンドまで、時間的パターンを捉え、時系列の予測に有効なアプローチとなっている。 これらの時間スケールの表現は本質的に階層的であり、粗いスケールはより微細なスケールから情報を抽象化し集約する。 既存のアプローチでは、これらのスケールで情報交換が容易にできるが、階層構造そのものは、そのような相互作用の創発的な副産物として、それ自体が幾何学的構造として捉えられるのではなく、残されている。 本稿では,ポアンカレ球にスケールワイド表現を埋め込むことにより,多スケール階層を具体的幾何学形式で包含するフレームワークであるHypLTSFを紹介する。 この幾何学を時間的階層と整合させるために、HypLTSF は、(1) 抽象化のレベルによって埋め込みを順序付ける放射的制約、(2) 共通の粗大な祖先を共有する微細なパターンをグループ化する角的制約の2つの制約を課している。 長期時系列予測ベンチマークの広範囲な実験により,HypLTSFが最先端性能を達成し,幾何構造としてのマルチスケール階層を明示的にモデル化することが予測に有効であることが示唆された。

関連論文リスト

• Learning to Tessellate: Point Cloud Generation via Recursive Spectral Partitioning [58.130498928480456]
  本稿では, トポロジ保存型テッセルレーションプロセスとして, 点雲生成を再構成する自己回帰フレームワークであるPointRSPを提案する。 PointRSPは、複雑な3Dトポロジーをまたいだ強力な一般化を証明し、世代品質と多様性の最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-08-03T16:11:43Z)
• ARDepth: Auto-regressive Monocular Depth Estimation with Progressive Visual Conditioning [66.42476564611607]
  拡散モデルは、反復的妄想を通して、世界規模で滑らかな場として深度を復元できると仮定する。 本稿では,構造的自己回帰生成として深度推定を定式化するARDepthを提案する。 提案手法は高い性能を達成し,スケールにわたって構造的に一貫した深度予測を実現する。
  論文  参考訳（メタデータ） (2026-07-14T07:06:46Z)
• HiDiGen: Hierarchical Diffusion for B-Rep Generation with Explicit Topological Constraints [11.721957326448162]
  境界表現(B-rep)はCADシステムにおける標準3Dモデリングフォーマットである。 HiDiGenは、幾何モデリングを2つのステージに分離する階層的な生成フレームワークである。 実験の結果,HiDiGenは高い性能を示し,新しい,多様な,トポロジカルなCADモデルを生成する。
  論文  参考訳（メタデータ） (2026-04-03T08:06:51Z)
• Beyond Distance: Quantifying Point Cloud Dynamics with Persistent Homology and Dynamic Optimal Transport [29.979662030541146]
  本稿では,最近提案されたトポロジカル・オプティカル・トランスポート(TpOT)距離を拡張して,時間進化点雲のトポロジカル・ティッピングを解析するためのフレームワークを提案する。 この制限を克服するために、新しいトポロジとハイパーグラフ再構成戦略によって駆動される階層的動的評価フレームワークを提案する。 この測地線とともに、グローバルシフトを捉えるためのマクロメトリクス(トポロジカル歪みとパーシスタンスエントロピー)と、高感度で非同期な局所的な変更を検出するための新しいメソスコピック双対パースペクティブハイパーグラフエントロピーを導入する。
  論文  参考訳（メタデータ） (2026-03-15T07:56:56Z)
• TopoOR: A Unified Topological Scene Representation for the Operating Room [54.50897207203292]
  手術シーングラフは外科手術室(OR)の複雑さを実体の構造とその関連性に抽象化する。 マルチモーダルな手術室を高次構造としてモデル化する新しいパラダイムであるTopoORを紹介する。 また,多様体の構造やモジュラリティに特有な特徴を明示的に保存する高次アテンション機構を提案する。
  論文  参考訳（メタデータ） (2026-03-10T10:19:42Z)
• 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)
• OpenHype: Hyperbolic Embeddings for Hierarchical Open-Vocabulary Radiance Fields [25.81679730373062]
  連続的な双曲型潜在空間を用いてシーン階層を表現する新しい手法であるOpenHypeを提案する。 双曲幾何学の特性を活用することにより、OpenHypeは自然にマルチスケールな関係を符号化する。 提案手法は,標準ベンチマークにおける最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-10-24T13:17:56Z)
• PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction [87.33016661440202]
  自動回帰ポイントクラウド生成は、長い間、拡散ベースの品質アプローチに遅れを取ってきた。 低解像度で大域的な形状を保った粗大な生成フレームワークであるPointNSPを提案する。 ShapeNetの実験によると、PointNSPは自己回帰パラダイムの中で初めて、最先端(SOTA)生成品質を確立している。
  論文  参考訳（メタデータ） (2025-10-07T06:31:02Z)
• Deep Learning of Multivariate Extremes via a Geometric Representation [0.0]
  本研究では, スケールした試料雲の極限形状から極端依存特性を推定する幾何学的極端の研究を行う。 本稿では,幾何学的極端フレームワークの実装を支援するための新しい理論結果を提案する。 本稿では,ディープラーニングニューラルネットワークを用いた制限セットのモデル化について紹介する。
  論文  参考訳（メタデータ） (2024-06-28T14:05:47Z)
• 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)

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。