論文の概要: TAC-Time: Texts as Channels For Multimodal Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.24156v1
• Date: Mon, 21 Sep 2026 06:18:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.093115
• Title: TAC-Time: Texts as Channels For Multimodal Time Series Forecasting
• Title（参考訳）: TAC-Time:マルチモーダル時系列予測のためのチャネルとしてのテキスト
• Abstract要約: TAC-Timeは、テキスト情報を追加の時間チャンネルに変換する統合フレームワークである。 我々は、注意と周波数領域分析を通して、強い相互依存を示す。 実世界のマルチモーダルベンチマークの実験では、TAC-Timeは従来の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 25.272368952915684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most existing time series forecasting methods rely solely on numerical observations, overlooking rich contextual information from auxiliary texts. Recent multimodal approaches attempt to incorporate textual signals, but they often treat text as static features or use large language models as forecasting backbones, limiting their ability to capture temporal dynamics and increasing computational cost. To address these challenges, we propose TAC-Time, a unified framework that transforms textual information into additional temporal channels. By modeling text features jointly with numerical sequences in a shared temporal backbone, TAC-Time preserves temporal continuity and periodic structures while remaining efficient and scalable. This formulation also enables systematic interpretability analyses. We show strong cross-modal dependencies through attention and frequency-domain analyses, and identify predictive textual signals whose correlation-aware alignment yields partial forecasting improvements. Extensive experiments on real-world multimodal benchmarks demonstrate that TAC-Time outperforms prior methods.
• Abstract（参考訳）: 既存の時系列予測手法の多くは、補助的なテキストからリッチな文脈情報を見渡すため、数値的な観測のみに依存している。 近年のマルチモーダルなアプローチでは、テキストを静的な特徴として扱うことや、大きな言語モデルをバックボーンの予測として使うことがあり、時間的ダイナミクスを捉え、計算コストを増大させる能力を制限する。 これらの課題に対処するために,テキスト情報を追加の時間チャンネルに変換する統合フレームワークであるTAC-Timeを提案する。 TAC-Timeは、時間的連続性と周期的構造を保ちながら、効率的でスケーラブルなテキスト特徴を共有時間的バックボーンの数値列と共にモデル化する。 この定式化は、体系的な解釈可能性解析を可能にする。 我々は、注意と周波数領域の分析を通して強い相互依存を示し、相関を意識したアライメントが部分予測の改善をもたらす予測的テキスト信号を特定する。 実世界のマルチモーダルベンチマークに関する大規模な実験は、TAC-Timeが先行手法より優れていることを示した。

関連論文リスト

• MM-ISTS: Cooperating Irregularly Sampled Time Series Forecasting with Multimodal Vision-Text LLMs [17.348428689125633]
  不規則にサンプリングされた時系列(ISTS)は実世界のシナリオで広く使われ、変数間の不均一な時間間隔に関する非同期な観察を示す。 ISTSの予測を容易にするため,時間的・視覚的・テキスト的モダリティを橋渡しするフレームワークMM-ISTSを提案する。 特に、情報的視覚画像とテキストデータを自動的に生成するクロスモーダル視覚テキスト符号化モジュールを提案する。 並行して、ISTSエンコーディングは、マルチビュー埋め込み融合や時間可変エンコーダを含む、歴史的ISTS観測から、補完的ながら豊富な時間的特徴を抽出する。
  論文  参考訳（メタデータ） (2026-03-06T07:57:15Z)
• Long-range Modeling and Processing of Multimodal Event Sequences [6.289301948638413]
  一時的ポイントプロセス(TPP)は、非同期イベントシーケンスをモデリングするための強力なツールとして登場した。 近年のTPPはテキスト情報を扱うために拡張されているが、既存のアプローチはリッチでマルチモーダルなコンテンツを生成する能力に限られている。 本稿では,TPPを視覚的モダリティに拡張し,テキスト生成を時間・型予測とともにコア機能として位置づける新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-01T09:52:27Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• Teaching Time Series to See and Speak: Forecasting with Aligned Visual and Textual Perspectives [22.10401153489018]
  時系列の予測は伝統的に単調な数値入力に依存している。 生の時系列を構造化された視覚的・テキスト的視点に変換するマルチモーダルコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-30T17:59:14Z)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• 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)
• Language in the Flow of Time: Time-Series-Paired Texts Weaved into a Unified Temporal Narrative [65.84249211767921]
  テキスト・アズ・タイム・シリーズ(TaTS)は、既存の数値のみの時系列モデルにプラグインできる。 TaTSはモデルアーキテクチャを変更することなく予測性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-02-13T03:43:27Z)
• TempoGPT: Enhancing Time Series Reasoning via Quantizing Embedding [13.996105878417204]
  本稿では,マルチモーダル時系列データ構築手法とマルチモーダル時系列言語モデル(TLM, TempoGPT)を提案する。 ホワイトボックスシステム内の変数-システム関係を解析することにより,複雑な推論タスクのためのマルチモーダルデータを構築する。 広範な実験により、TempoGPTは時間的情報を正確に知覚し、結論を論理的に推論し、構築された複雑な時系列推論タスクにおける最先端の処理を達成することが示されている。
  論文  参考訳（メタデータ） (2025-01-13T13:47:05Z)
• Analyzing Temporal Complex Events with Large Language Models? A Benchmark towards Temporal, Long Context Understanding [57.62275091656578]
  時間的複合イベント(TCE)として、長い期間にわたって多くのニュース記事から構成される複合イベントについて述べる。 本稿では,Large Language Models (LLMs) を用いて,TCE内のイベントチェーンを系統的に抽出し,解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:42:17Z)

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。