論文の概要: DrafTS: Time-Aware Decomposition with Residual Correction for Time Series Modeling

• arxiv url: http://arxiv.org/abs/2609.33368v1
• Date: Sun, 27 Sep 2026 08:52:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:40:20.721171
• Title: DrafTS: Time-Aware Decomposition with Residual Correction for Time Series Modeling
• Title（参考訳）: DrafTS: 時系列モデリングのための残差補正による時間認識分解
• Abstract要約: 実世界の時系列は、安定な時間パターンを持たない不規則な変動を持つ基礎となるダイナミクスを含んでいる。 既存の方法では、ノイズの観測をフィルタリングしたり抑制したりすることで、この混合に対処している。 進化的ダイナミクスを保ちながらノイズを低減することを目的とした,モデルに依存しないフレームワークであるDrafTSを提案する。
• 参考スコア（独自算出の注目度）: 61.589415410307375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world time series contain evolving underlying dynamics with irregular variations that lack stable temporal patterns and are often referred to as noise. Existing methods address this mixture by filtering frequencies or suppressing noisy observations. They either miss temporal evolution or risk suppressing useful dynamics. We propose DrafTS, a model-agnostic framework that aims to reduce noise while preserving evolving dynamics through time-aware Decomposition with ResiduAl correction For Time Series. DrafTS uses features derived from instantaneous amplitude and frequency to guide decomposition into a primary component intended to capture underlying dynamics. A task-specific backbone models the primary component, while a lightweight correction module uses residual information to correct the backbone output. Across four time series modeling tasks, DrafTS improves six diverse backbones, demonstrating its effectiveness. Code is at https://github.com/Autumn61q/DrafTS
• Abstract（参考訳）: 実世界の時系列は、安定な時間パターンが欠如し、しばしばノイズと呼ばれる不規則な変動を持つ基礎となるダイナミクスを含んでいる。 既存の方法では、周波数をフィルタリングしたり、ノイズの観測を抑えることで、この混合に対処している。 それらは時間的進化を逃すか、有用なダイナミクスを阻害するリスクを逃す。 本稿では,ResiduAlを補正した分解処理を時系列で行うことにより,進化的ダイナミクスを保ちながらノイズを低減することを目的とした,モデルに依存しないフレームワークであるDrafTSを提案する。 DrafTSは、瞬時振幅と周波数から派生した特徴を使って、基礎となるダイナミクスを捉えるために、分解を主成分に導く。 タスク固有のバックボーンがプライマリコンポーネントをモデル化し、軽量修正モジュールが残余情報を使用してバックボーン出力を補正する。 4つの時系列モデリングタスクの中で、DrafTSは6つのバックボーンを改善し、その効果を実証している。 コードはhttps://github.com/Autumn61q/DrafTSにある。

関連論文リスト

• ITSY: Causal Discovery From Irregular Time-Series Data [52.81244148804183]
  ITSYは線形モデルの下で不規則時系列から因果発見のための最初の連続最適化手法である。 重み付けされた再構成目標は、この再構成によって引き起こされる雑音変換を補正する。 結果は不規則線形一階力学の集中解を確立する。
  論文  参考訳（メタデータ） (2026-09-20T10:10:07Z)
• Modeling Dynamic Mixtures of Time-Delay Systems from Streaming Time Series [17.084943743566217]
  本研究では,入力-出力関係が明確である時系列データストリームにおける適応モデリングの問題に対処する。 正確性、堅牢性、メモリ使用量のトレードオフは、時系列パターンごとに複数の小さなモデルを使用することによって生じる。 本稿では,ストリーミング時系列を動的に混合した時間遅延システムとして扱うオンラインフレームワーク/手法を提案する。
  論文  参考訳（メタデータ） (2026-05-25T11:42:37Z)
• Perceive, Route and Modulate: Dynamic Pattern Recalibration for Time Series Forecasting [68.53528085362642]
  現在の深い予測モデルは、すべての時間トークンに一様に適用される固定重み行列に依存している。 トークンレベルの再校正によってこれを解決するバックボーンに依存しないメカニズムであるDynamic Pattern Recalibrationを導入する。 DPRNetは12ベンチマークで競合性能を達成し、マクロパラメータスケーリングに対する動的リカバリを検証する。
  論文  参考訳（メタデータ） (2026-05-07T14:12:47Z)
• StaTS: Spectral Trajectory Schedule Learning for Adaptive Time Series Forecasting with Frequency Guided Denoiser [17.214288935424936]
  StaTSは確率的時系列予測のための拡散モデルであり、更新の交互にノイズスケジュールと雑音を学習する。 複数の実世界のベンチマークの実験では、サンプリングステップが少なく、強いパフォーマンスを維持しながら、一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-08T09:42:59Z)
• DropoutTS: Sample-Adaptive Dropout for Robust Time Series Forecasting [59.868414584142336]
  DropoutTS はモデルに依存しないプラグインで、パラダイムを "What" から "How much" にシフトします。 ノイズを適応的なドロップアウト率にマッピングする - きめ細かい忠実さを維持しながら、急激な変動を選択的に抑制する。
  論文  参考訳（メタデータ） (2026-01-29T13:49:20Z)
• VISTA: Unsupervised 2D Temporal Dependency Representations for Time Series Anomaly Detection [42.694234312755285]
  時系列異常検出(TSAD)は、ラベルのない時系列データの中で稀で潜在的に有害な事象を明らかにするのに不可欠である。 本稿では,これらの課題を克服するために,トレーニング不要で教師なしのTSADアルゴリズムであるVISTAを紹介する。
  論文  参考訳（メタデータ） (2025-04-03T11:20:49Z)
• TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
  時系列データは、その固有の長短の依存関係によって特徴づけられる。 本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。 我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-04-12T13:41:29Z)
• One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
  One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。 トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
  論文  参考訳（メタデータ） (2023-11-27T12:02:42Z)
• Real Time Speech Enhancement in the Waveform Domain [99.02180506016721]
  本稿では,ラップトップCPU上でリアルタイムに動作する生波形を用いた因果音声強調モデルを提案する。 提案モデルは、スキップ接続を持つエンコーダデコーダアーキテクチャに基づいている。 静止ノイズや非定常ノイズを含む様々な背景ノイズを除去することができる。
  論文  参考訳（メタデータ） (2020-06-23T09:19:13Z)

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。