論文の概要: MixBench-TS: A Multivariate Time Series Forecasting Benchmark Where Channel Mixing Pays Off

• arxiv url: http://arxiv.org/abs/2609.32656v1
• Date: Sat, 26 Sep 2026 14:16:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 21:39:25.836334
• Title: MixBench-TS: A Multivariate Time Series Forecasting Benchmark Where Channel Mixing Pays Off
• Title（参考訳）: MixBench-TS:多変量時系列予測ベンチマーク
• Abstract要約: 55.5%のラグカップリングペアと+1.7%の中央値のCDゲインを持つ10の実世界のデータセットのベンチマークを提案する。 1つのプロトコルの下で調整された6つの最先端モデルの中で、CIモデルは10/10(MSE)と8/10(MAE)標準データセットで勝利するが、3/10と2/10 MixBench-TSデータセットでのみ勝利する。
• 参考スコア（独自算出の注目度）: 8.10770939488423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate Time Series Forecasting (MTSF) models that mix information across channels assume that the past of one channel carries information about the future of another. Yet they are evaluated on a small fixed set of standard datasets whose cross-channel structure is rarely examined. We ask two questions: "How can we reliably measure lagged, non-linear, and joint coupling in MTSF datasets?" and "Do the standard datasets actually have such coupling?" To answer the first, we test four candidate measures on synthetic datasets with planted ground-truth coupling: Granger Causality (GC), Transfer Entropy (TE), lagged Mutual Information (MI), and the CD gain, a model-based measure we introduce that compares a channel-dependent (CD) model to its channel-independent (CI) variant. Only lagged MI and the CD gain recover every planted coupling. For the second question, the answer is a definite no, as the standard datasets have a median of only 23% lagged-coupled channel pairs and a median CD gain of -4.9%, compared to 78% and +4.6% on chaotic ODE systems. We therefore propose MixBench-TS, a benchmark of 10 real-world datasets with a median of 55.5% lagged-coupled pairs and a median CD gain of +1.7%. Across six state-of-the-art models tuned under one protocol, CI models win on 10/10 (MSE) and 8/10 (MAE) standard datasets, but on only 3/10 and 2/10 MixBench-TS datasets. We recommend using our benchmark for evaluating new CD models. Moreover, we propose profiling new datasets with lagged MI and the CD gain before using them to evaluate multivariate models. Code and data are available at https://anonymous.4open.science/r/mixbench-ts-B027.
• Abstract（参考訳）: チャネル間で情報を混合する多変量時系列予測(MTSF)モデルは、あるチャネルの過去が他のチャネルの将来に関する情報を持っていると仮定する。 しかし、チャネル間構造を検査することはめったにないような、標準データセットの小さな固定セットで評価される。 MTSFデータセットのラグ、非線形、結合性を確実に測定するにはどうすればいいのか?」と「標準データセットは実際にそのような結合を持つのか?」という2つの質問を投げかけます。 第1に、我々は、Granger Causality(GC)、Transfer Entropy(TE)、Lagged Mutual Information(MI)、CD gain(CDゲイン)の4つの合成データセットに対して、チャネル依存型(CD)モデルとチャネル非依存型(CI)モデルの比較を行う。 ラベルMIとCDゲインのみが、すべての植付結合を回復する。 第2の質問では、標準データセットの中央値は23%、CDの中央値は4.9%であり、カオスODEシステムでは78%、+4.6%である。 そこで、MixBench-TSを提案する。これは、55.5%のラグカップリングペアと+1.7%の中央値のCDゲインを持つ10の現実世界データセットのベンチマークである。 1つのプロトコルの下で調整された6つの最先端モデルの中で、CIモデルは10/10(MSE)と8/10(MAE)標準データセットで勝利するが、3/10と2/10 MixBench-TSデータセットでのみ勝利する。 新しいCDモデルの評価にベンチマークを使うことを推奨します。 さらに,多変量モデルを評価するために,ラベル付きMIとCDゲインを用いた新しいデータセットのプロファイリングを提案する。 コードとデータはhttps://anonymous.4open.science/r/mixbench-ts-B027で公開されている。

関連論文リスト

• When Does Context Routing Help? A Systematic Study of Multi-Modal Fusion in Time Series Forecasting [10.826557947047933]
  マルチモーダル時系列予測法は, 高度な融合機構により, 補助的文脈を時間的予測に統合する。 我々は、より狭く、チェック可能な質問を尋ねる: 補助的なコンテキストは、いつ、予測者を助けることができるのか? 1) ターゲットは最終値のショートカット(低自己相関rho_h)に支配されず、(2) コンテキストは履歴を超えてターゲットに関する情報を伝達する。
  論文  参考訳（メタデータ） (2026-08-25T20:25:49Z)
• Benchmarking Inductive Biases for Multivariate Time-Series Anomaly Detection with a Robust Multi-View Channel-Graph Detector [8.29991973809832]
  家族表現型検出器10個を5つのデータセットで評価した。 すべてのメソッドは同じウィンドウ、スコアリング、ハードウェア、メトリックプロトコルを共有している。 我々はNOTEARSに制約された指向性チャネルグラフビューと任意パッチアテンションと時間連想ビューを組み合わせた適応型検出器ファミリの紹介を行う。
  論文  参考訳（メタデータ） (2026-05-27T07:55:44Z)
• MSAVBench: Towards Comprehensive and Reliable Evaluation of Multi-Shot Audio-Video Generation [88.7702943548674]
  マルチショットオーディオビデオ生成のための,初の総合的なベンチマークと適応型ハイブリッド評価フレームワークであるMSAVBenchを紹介する。 私たちのベンチマークでは、ビデオ、オーディオ、ショット、参照の4つの重要な領域にまたがっており、多様なタスク設定、最大15のショット数、非現実的なシナリオに挑戦しています。 MSAVBenchは人間の判断と高度に一致し、スピアマンのランク相関は91.5%に達する。
  論文  参考訳（メタデータ） (2026-05-19T17:59:33Z)
• EBind: a practical approach to space binding [2.3732312642586813]
  我々は,2つのコアコンポーネント,モダリティ毎の単一エンコーダと高品質なデータに着目し,空間結合を単純化する。 我々は,複数のコントラストモデルの埋め込み空間を結合する簡易で,データ中心で,パラメータ効率のよい EBind を提案する。
  論文  参考訳（メタデータ） (2025-11-18T08:03:30Z)
• Cross-Attention with Confidence Weighting for Multi-Channel Audio Alignment [5.380078543698624]
  マルチチャンネルオーディオアライメントは、生体音響モニタリング、空間オーディオシステム、音響ローカライゼーションにおいて重要な要件である。 マルチチャンネル音声同期を改善するために,クロスアテンション機構と信頼度重み付けスコアリングを組み合わせた手法を提案する。 提案手法は,BioDCASE 2025 Task 1 チャレンジにおいて,ディープラーニングベースラインの 0.58 に対して,テストデータセットの平均 0.30 MSE で1位となった。
  論文  参考訳（メタデータ） (2025-09-21T05:14:06Z)
• Crucial-Diff: A Unified Diffusion Model for Crucial Image and Annotation Synthesis in Data-scarce Scenarios [65.97836905826145]
  医療、産業、自動運転といったさまざまなシナリオにおけるデータの不足は、モデルの過度な適合とデータセットの不均衡につながる。 重要なサンプルを合成するドメインに依存しないフレームワークであるCrucial-Diffを提案する。 我々のフレームワークは多様な高品質なトレーニングデータを生成し、ピクセルレベルのAPは83.63%、F1-MAXは78.12%である。
  論文  参考訳（メタデータ） (2025-07-14T04:41:38Z)
• No "Zero-Shot" Without Exponential Data: Pretraining Concept Frequency Determines Multimodal Model Performance [68.18779562801762]
  マルチモーダルモデルは、下流の"ゼロショット"のパフォーマンスを線形改善するために、指数関数的に多くのデータを必要とする。 本研究は,大規模な訓練パラダイムの下での「ゼロショット」一般化能力の鍵となる訓練データに対する指数関数的要求を明らかにする。
  論文  参考訳（メタデータ） (2024-04-04T17:58:02Z)
• Task-customized Masked AutoEncoder via Mixture of Cluster-conditional Experts [104.9871176044644]
  Masked Autoencoder (MAE) は,モデル事前学習において有望な結果が得られる自己教師型学習手法である。 我々は、新しいMAEベースの事前学習パラダイム、Mixture of Cluster-conditional Experts (MoCE)を提案する。 MoCEは、クラスタ条件ゲートを使用して、各専門家にセマンティックなイメージのみをトレーニングする。
  論文  参考訳（メタデータ） (2024-02-08T03:46:32Z)
• Foundation Model for Endoscopy Video Analysis via Large-scale Self-supervised Pre-train [27.188088885290025]
  本研究では,大規模な内視鏡映像データを用いた基礎モデルであるEndo-FMを提案する。 私たちのデータセット全体は、最大500万フレームの33Kビデオクリップで構成されており、さまざまなプロトコル、対象臓器、疾患タイプが含まれています。 我々のEndo-FMは、現在最先端(SOTA)の自己指導型事前学習とアダプタベースのトランスファー学習を、かなりの差で上回っている。
  論文  参考訳（メタデータ） (2023-06-29T07:34:25Z)

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。