論文の概要: Neuralized Multi-Wavelet Decomposition for Time Series Classification and Forecasting

• arxiv url: http://arxiv.org/abs/2609.29317v1
• Date: Thu, 24 Sep 2026 09:51:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.824197
• Title: Neuralized Multi-Wavelet Decomposition for Time Series Classification and Forecasting
• Title（参考訳）: 時系列分類と予測のためのニューラルネットワークによるマルチウェーブレット分解
• Abstract要約: 時系列分析は金融、医療、気象学などの分野において基本的なものである。 既存のアプローチは通常、周波数領域の分解と時間領域のパターンの分離に重点を置いている。 時間パターンと周波数成分の結合抽出のためのマルチウェーブレット分解をニューラルネットワーク化する,新しいエンドツーエンドディープラーニングフレームワークであるm-WCNを提案する。
• 参考スコア（独自算出の注目度）: 16.821758587177065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series analysis is fundamental in domains such as finance, healthcare, and meteorology. Real-world time series often exhibit multiscale characteristics shaped by diverse latent factors, resulting in intricate temporal patterns and rich frequency structures. However, existing approaches typically focus on either frequency-domain decomposition or time-domain pattern extraction in isolation, neglecting their joint structure. This decoupled modeling limits representation expressiveness and undermines performance in tasks requiring simultaneous temporal and spectral reasoning. To address this gap, we propose m-WCN, a novel end-to-end deep learning framework that neuralizes multi-wavelet decomposition for joint extraction of temporal patterns and frequency components. By approximating the classical GHM multi-wavelet transform with trainable convolutional operators and enforcing orthogonality constraints, m-WCN produces interpretable multi-resolution representations. Built on this foundation, we introduce two task-specific architectures: TFBC for time series classification, which boosts discriminative features across frequency scales, and FTB for forecasting, which ensembles frequency-aware predictors. Extensive experiments on 64 UCR datasets and seven public forecasting benchmarks demonstrate the effectiveness of our approach. Built on the neuralized m-WCN, our TFBC and FTB outperform various baseline models across diverse datasets, achieving average improvements of 19.97% in classification and 19.92% in forecasting tasks.
• Abstract（参考訳）: 時系列分析は金融、医療、気象学などの分野において基本的なものである。 実世界の時系列は、多種多様な潜伏因子によって形成されたマルチスケールの特徴を示し、複雑な時間パターンと豊富な周波数構造をもたらす。 しかし、既存のアプローチは一般に周波数領域の分解や時間領域のパターン抽出に焦点を合わせ、結合構造を無視している。 この分離されたモデリングは表現表現性を制限し、同時に時間的およびスペクトル的推論を必要とするタスクのパフォーマンスを損なう。 このギャップに対処するために,時間パターンと周波数成分の結合抽出のためのマルチウェーブレット分解をニューラルネットワーク化する,新しいエンドツーエンドディープラーニングフレームワークm-WCNを提案する。 古典的なGHMマルチウェーブレット変換を訓練可能な畳み込み作用素で近似し、直交制約を強制することにより、m-WCNは解釈可能なマルチレゾリューション表現を生成する。 この基礎の上に構築されたタスク固有のアーキテクチャとして、周波数スケールで識別機能を向上する時系列分類用TFBCと、周波数認識予測器をアンサンブルする予測用FTBがある。 64のUCRデータセットと7つの公開予測ベンチマークに関する大規模な実験は、我々のアプローチの有効性を実証している。 ニューラルネットワークm-WCNに基づいて構築されたTFBCとFTBは、さまざまなデータセットで様々なベースラインモデルより優れており、分類では19.97%、予測タスクでは19.92%の平均的な改善が達成されている。

関連論文リスト

• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• KFS: KAN based adaptive Frequency Selection learning architecture for long term time series forecasting [8.839783121363835]
  そこで我々は,これらの課題に対処するために,KAを用いた適応周波数選択学習アーキテクチャ(KFS)を提案する。 このフレームワークは、クロススケールノイズ干渉と複雑なパターンモデリングから生じる予測問題に対処する。 複数の実世界の時系列データセットにまたがる実験により、KTは単純で効果的なアーキテクチャとして最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-08-01T13:50:57Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• 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)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• 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)
• FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
  時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。 現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。 本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:37:02Z)
• Frequency-domain MLPs are More Effective Learners in Time Series Forecasting [67.60443290781988]
  時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。 最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。 本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
  論文  参考訳（メタデータ） (2023-11-10T17:05:13Z)

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。