論文の概要: Recovering Lost Details: Multi-Scale Frequency Compensation for Long-Term Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.24229v1
• Date: Mon, 21 Sep 2026 07:50:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.973553
• Title: Recovering Lost Details: Multi-Scale Frequency Compensation for Long-Term Time Series Forecasting
• Title（参考訳）: 損失の詳細を復元する - 長期連続予測のためのマルチスケール周波数補償
• Abstract要約: 本稿では,マルチスケールウェーブレット混合(MWMixer)モデルを提案する。 Dynamic Scale-Adaptive Fusionモジュールは、各スケールの時間変化重みを学習し、マルチスケールの予測を最終予測に融合する。 さらに、クロススケールの整合性損失は各粗大の予測を間隔平均の微細な出力と整合させ、マルチスケールの監視損失は各スケールでの予測精度を強制する。
• 参考スコア（独自算出の注目度）: 7.466022572022102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term time series forecasting has made significant progress by leveraging multi-scale information to capture hierarchical temporal patterns and model long-range dependencies. However, temporal downsampling in existing multi-scale methods inevitably smooths detailed temporal fluctuations, and this information loss is further aggravated by their emphasis on dominant trends across scales, resulting in insufficiently expressive representations. To address this, we propose a Multi-Scale Wavelet Mixing (MWMixer) model, which incorporates a Bidirectional Frequency-Bands Mixing strategy to recover lost temporal details across scales, enabling complementary cross-scale information interactions. Then, a Dynamic Scale-Adaptive Fusion module learns time-varying weights for each scale to fuse multi-scale forecasts into the final prediction, enhancing the flexibility of multi-scale aggregation. In addition, a cross-scale consistency loss aligns each coarse-scale prediction with the interval-averaged fine-scale outputs, while a multi-scale supervision loss enforces prediction accuracy at each scale, promoting consistent learning across scales. Extensive experiments on seven real-world datasets demonstrate that MWMixer achieves competitive performance in long-term forecasting.
• Abstract（参考訳）: 時系列の長期予測は、階層的時間的パターンを捉え、長距離依存をモデル化するために、マルチスケール情報を活用することで大きな進歩を遂げた。 しかし、既存のマルチスケール手法における時間的ダウンサンプリングは、必然的に詳細な時間的変動を円滑にし、この情報損失は、スケールにまたがる支配的な傾向に重きを置くことによってさらに増大し、表現力の不足をもたらす。 そこで本稿では,両方向周波数・帯域混合方式を取り入れたマルチスケールウェーブレット混合(MWMixer)モデルを提案する。 次に、動的スケール適応核融合モジュールは、各スケールの時間変化重みを学習し、マルチスケール予測を最終予測に融合し、マルチスケールアグリゲーションの柔軟性を高める。 さらに、クロススケールの一貫性損失は、各粗大の予測を間隔平均の微細な出力と整合させ、マルチスケールの監視損失は、各スケールでの予測精度を強制し、スケールをまたいだ一貫した学習を促進する。 7つの実世界のデータセットに対する大規模な実験は、MWMixerが長期予測において競争性能を達成することを示した。

関連論文リスト

• DisMS-TS: Eliminating Redundant Multi-Scale Features for Time Series Classification [14.947369878718822]
  時系列分類のための新しいエンドツーエンドのDistangled Multi-Scaleフレームワーク(DisMS-TS)を提案する。 DisMS-TSは、マルチスケール時系列における冗長な共有機能を排除し、予測性能を向上させるように設計されている。 複数のデータセットで実施された実験は、DisMS-TSの競争基準よりも優れており、精度は9.71%まで向上した。
  論文  参考訳（メタデータ） (2025-07-07T01:35:55Z)
• TimeCF: A TimeMixer-Based Model with adaptive Convolution and Sharpness-Aware Minimization Frequency Domain Loss for long-term time seris forecasting [5.032613143415414]
  本稿では,TimeMixer に基づく時系列予測のためのディープラーニングモデル TimeCF を提案する。 TimeCFは、オリジナルの時系列を異なるスケールのシーケンスに分解する。 異なるスケールはFeed-Forward Networkを通じて集約される。
  論文  参考訳（メタデータ） (2025-05-23T06:39:20Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting [19.88184356154215]
  時系列予測は、交通計画や天気予報などのアプリケーションで広く使われている。 TimeMixerは、長期および短期の予測タスクにおいて、一貫した最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-05-23T14:27:07Z)
• A Multi-Scale Decomposition MLP-Mixer for Time Series Analysis [14.40202378972828]
  そこで我々は,MSD-Mixerを提案する。MSD-Mixerは,各レイヤの入力時系列を明示的に分解し,表現することを学ぶマルチスケール分解ミクサーである。 我々は,MSD-Mixerが他の最先端のアルゴリズムよりも効率よく優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-18T13:39:07Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

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。