論文の概要: Learning Where to Look: A Shared Relative-Alignment Module for Time-Series Forecasting and PPG-to-Vital-Sign Reconstruction
- arxiv url: http://arxiv.org/abs/2609.27473v1
- Date: Wed, 23 Sep 2026 07:38:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.934855
- Title: Learning Where to Look: A Shared Relative-Alignment Module for Time-Series Forecasting and PPG-to-Vital-Sign Reconstruction
- Title（参考訳）: 時系列予測とPG-to-Vital-Sign再構成のための共有相対アライメントモジュール
- Abstract要約: 本稿では,バイタルサインの再構築と時系列予測を行う条件付きモジュールを提案する。
バイタルサインの再構築において、ROOSTERは4つの心拍数と呼吸速度のベンチマークで公表されたベースラインを上回った。
アブレーション調査では、内容整合ではなく相対バイアスがアライメントを担っていることが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: PPG-to-vital-sign reconstruction turns a wrist-worn photoplethysmogram into clinical waveforms such as the ECG. Long-horizon multivariate time-series forecasting underpins planning in energy, weather, and traffic. Both generate a target sequence from a condition sequence, and current models hard-code where each target position reads it, as a same-position copy or seasonal recurrence, so neither transfers between tasks. We propose ROOSTER, one conditioning module that handles vital-sign reconstruction and time-series forecasting alike by learning this correspondence. Its core is a periodic-comb bias over the target-condition offset whose center, period, and sharpness are learned per head, so one module settles on the identity alignment or a seasonal lag and reports which it found. On vital-sign reconstruction from PPG, ROOSTER outperformed the published baselines on four heart-rate and respiratory-rate benchmarks. On multivariate time-series forecasting, it achieved the best horizon-averaged MSE on four benchmarks and outperformed the forecasting model it extends on 20 of 24 dataset-horizon settings under matched three-seed training. An ablation study indicated that the relative bias, not content matching, carried the alignment.
- Abstract（参考訳）: PPG-to-vital-sign restructionは、手首の光胸腺図を心電図などの臨床波形に変換する。
ロングホライゾン多変量時系列予測はエネルギー、天気、交通の計画の基盤となる。
どちらも条件シーケンスからターゲットシーケンスを生成し、現在のモデルでは各ターゲット位置がそれを読み取るハードコードである。
本稿では,この対応を学習することで,バイタルサインの再構築と時系列予測を行う条件付きモジュール ROOSTER を提案する。
その中核は、頭ごとに中心、周期、鋭さが学習される目標条件のオフセットに対する周期的コムバイアスであり、そのため、1つのモジュールはアイデンティティアライメントや季節的なラグに落ち着き、それを発見したと報告する。
PPGからのバイタルサインの再構築において、ROOSTERは4つの心拍数と呼吸速度のベンチマークで公表されたベースラインを上回った。
多変量時系列予測では、4つのベンチマークで最高の地平線平均MSIを達成し、マッチした3シードトレーニングの下で24のデータセット-水平設定のうち20の予測モデルを上回った。
アブレーション研究では、内容整合ではなく相対バイアスがアライメントを担っていることが示された。
関連論文リスト
- Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。
そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。
制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
論文 参考訳（メタデータ） (2026-08-20T13:59:57Z) - TFGformer: Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate Fusion [12.980172248250257]
本稿では,形状認識メモリ(SAM)とRevIN正規化を統合した検索拡張予測フレームワークを提案する。
7つの公開ベンチマークの実験では、CrossRAGはパラメトリックのみのベースラインと既存の検索拡張予測手法の両方を一貫して上回っている。
論文 参考訳（メタデータ） (2026-07-31T14:24:26Z) - DoTime: A Synthetic Benchmark Generator for Interventional and Counterfactual Time Series [3.2517081185249075]
介入を伴う時間構造因果モデルのオープンでスケーラブルで理論的に基礎付けられた生成器である textbfDoTime を紹介した。
従来のジェネレータにはない機能が追加されている: 連続時間介入アンファンドウ、実証ガード付き対実サンプリングモード、レギュラースイッチングSCM。
因果的基礎モデル参照実装の先行としてジェネレータの適合性を示す。
論文 参考訳（メタデータ） (2026-07-29T07:46:44Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳（メタデータ） (2026-05-01T17:59:59Z) - TS2Vec-Ensemble: An Enhanced Self-Supervised Framework for Time Series Forecasting [1.2461503242570642]
本稿では,時系列予測のための新しいハイブリッドフレームワークTS2Vec-Ensembleを紹介する。
我々のアプローチは、周期周期を符号化する明示的でエンジニアリングされた時間特徴を融合することにより、事前訓練されたTS2Vecエンコーダから、強力で暗黙的に学習されたダイナミクスを強化する。
その結果、TS2Vec-Ensembleは標準のTS2Vecベースラインや他の最先端モデルよりも一貫して、大幅に優れていた。
論文 参考訳（メタデータ） (2025-11-27T12:19:18Z) - ASTGI: Adaptive Spatio-Temporal Graph Interactions for Irregular Multivariate Time Series Forecasting [16.98710098925001]
IMTS固有の不規則区間は、既存の方法に2つの主要な課題をもたらす。
本稿では,これらの課題に対処するための適応時空間グラフインタラクション(ASTGI)フレームワークを提案する。
複数のベンチマークデータセットの実験では、ASTGIが様々な最先端メソッドより優れていることが示されている。
論文 参考訳（メタデータ） (2025-09-27T14:00:27Z) - 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) - DAM: Towards A Foundation Model for Time Series Forecasting [0.8231118867997028]
本稿では,ランダムにサンプリングされた履歴を抽出し,時間連続関数として調整可能な基底組成を出力するニューラルモデルを提案する。
1)長い尾の分布からランダムにサンプリングされたヒストリーを使用する柔軟なアプローチ、(2)これらの活発にサンプリングされたヒストリーに基づいてトレーニングされたトランスフォーマーバックボーンを表現的出力として、(3)時間の連続関数の基底係数を含む。
論文 参考訳（メタデータ） (2024-07-25T08:48:07Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z)
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。