論文の概要: MUSE: Dependency-Aware Adaptation of a Frozen Vision Backbone for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.24441v1
• Date: Mon, 21 Sep 2026 11:38:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.269044
• Title: MUSE: Dependency-Aware Adaptation of a Frozen Vision Backbone for Multivariate Time Series Forecasting
• Title（参考訳）: MUSE:多変量時系列予測のための凍結ビジョンバックボーンの依存性認識適応
• Abstract要約: MUSEは、完全に凍結された事前訓練されたMAE上に構築された依存性対応適応フレームワークである。 2つのモジュールは独立して予測を生成し、学習可能な予測レベルゲートを通じて融合する。 10の実世界のデータセットの実験は、MUSEが最先端のパフォーマンスを達成することを示す。
• 参考スコア（独自算出の注目度）: 11.170909611866499
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multivariate time-series forecasting is essential to many real-world applications. Recent large vision models (LVMs) offer a promising paradigm by transferring cross-domain visual priors to time-series forecasting. However, existing LVM-based methods face two key challenges: balancing independent visual representation spaces with cross-variable dependency modeling, and adapting vision backbones pretrained on natural images to the distinct temporal semantics of time-series images. To address these challenges, we propose MUSE, a dependency-aware adaptation framework built on a fully frozen pretrained MAE. First, the Variable Context Refinement Module (VCR) aggregates shared temporal information within each variable and models cross-variable contextual dependencies while preserving independent visual spaces. Second, the Temporal-Periodic Refinement Module (TPR) performs lightweight refinement at different encoder depths and explicitly models across-period temporal dependencies and within-period periodic dependencies. The two modules independently produce forecasts, which are fused through a learnable prediction-level gate. Experiments on 10 real-world datasets demonstrate that MUSE achieves state-of-the-art performance.
• Abstract（参考訳）: 多変量時系列予測は多くの実世界のアプリケーションに不可欠である。 最近の大規模ビジョンモデル(LVM)は、ドメイン間の視覚的事前を時系列予測に転送することで、有望なパラダイムを提供する。 しかし、既存のLVMベースの手法では、独立視覚表現空間とクロス変数依存モデリングのバランスをとることと、自然画像上で事前訓練された視覚バックボーンを時系列画像の時間的意味論に適応させることの2つの大きな課題に直面している。 これらの課題に対処するために、完全に凍結した事前学習されたMAE上に構築された依存性対応適応フレームワークであるMUSEを提案する。 まず、VCR(Variable Context Refinement Module)は、各変数内の共有時間情報を集約し、独立した視覚空間を保持しながら、変数間の相互依存をモデル化する。 第2に、TPR(Temporal-Periodic Refinement Module)は、異なるエンコーダ深さで軽量な精細化を行い、周期的依存関係と周期内依存関係を明示的にモデル化する。 2つのモジュールは独立して予測を生成し、学習可能な予測レベルゲートを通じて融合する。 10の実世界のデータセットに対する実験は、MUSEが最先端のパフォーマンスを達成することを示す。

関連論文リスト

• Towards Multimodal Lifelong Understanding: A Dataset and Agentic Baseline [58.585692088008905]
  MM-Lifelongはマルチモーダルライフロング理解のために設計されたデータセットである。 撮影時間は181.1時間で、日、週、月の各スケールにまたがって構成され、様々な時間密度を捉えている。
  論文  参考訳（メタデータ） (2026-03-05T18:52:12Z)
• DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
  既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。 動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
  論文  参考訳（メタデータ） (2026-02-06T10:48:13Z)
• SEED: Spectral Entropy-Guided Evaluation of SpatialTemporal Dependencies for Multivariate Time Series Forecasting [8.507253633170947]
  時空間依存モデリングのためのスペクトルエントロピー誘導評価フレームワークを開発した。 SEEDは各変数の空間的および時間的依存関係を予備評価し、モデルが適応的にチャネル独立(CI)とチャネル依存(CD)戦略のバランスをとることを可能にする。 SEEDは最先端のパフォーマンスを実現し、その有効性と汎用性を検証する。
  論文  参考訳（メタデータ） (2025-12-09T06:18:05Z)
• VIFO: Visual Feature Empowered Multivariate Time Series Forecasting with Cross-Modal Fusion [30.95449991386488]
  時系列モデルのための時空間予測モデルVIFOを提案する。 多変量時系列をイメージ化し、事前訓練されたLVMで複雑なチャネル間のパターンを抽出する。 複数のベンチマークで競合性能を達成する。
  論文  参考訳（メタデータ） (2025-09-25T14:02:26Z)
• Reprogramming Vision Foundation Models for Spatio-Temporal Forecasting [12.591771385493509]
  汎用ロバストネス・時間予測のためのビジョン・ファンデーション・モデル(VFM)を体系的に再プログラミングするフレームワークであるtextST-VFMを提案する。 このフレームワークは、生の入力と補助的なSTフローを統合し、フローは動的キューとして解釈可能な軽量の時間差信号を符号化する。 Emphpre-VFMリプログラミングでは、Temporal-Aware Tokenを使用して、両方のブランチをVFM互換の機能空間に整列させる。 emphpost-VFMリプログラミングでは、分岐間の動的相互作用を可能にするバイラテラルクロスプロンプトコーディネートモジュールが導入されている。
  論文  参考訳（メタデータ） (2025-07-14T08:33:34Z)
• TiVaT: A Transformer with a Single Unified Mechanism for Capturing Asynchronous Dependencies in Multivariate Time Series Forecasting [4.733959271565453]
  TiVaTは、単一の統一モジュール、JA(Joint-Axis)アテンションモジュールを組み込んだ新しいアーキテクチャである。 JA attentionモジュールは、特に非同期インタラクションをキャプチャする関連機能を動的に選択する。 大規模な実験では、さまざまなデータセットにわたるTiVaTの全体的なパフォーマンスが示されている。
  論文  参考訳（メタデータ） (2024-10-02T13:24:24Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
  時系列予測は多くの実世界の力学系において重要な意味を持つ。 時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
  論文  参考訳（メタデータ） (2023-10-03T01:31:25Z)

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。