論文の概要: Channel-Dependent State Space Model for Multivariate Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2609.36453v1
- Date: Tue, 29 Sep 2026 01:15:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.085345
- Title: Channel-Dependent State Space Model for Multivariate Time Series Forecasting
- Title（参考訳）: 多変量時系列予測のためのチャネル依存状態空間モデル
- Abstract要約: 変数間のデータ依存、きめ細かな相互作用を可能とし、各変数の数を線形にスケーリングする専用CD状態空間モデル(SSM)を提案する。
選択的なSSMをカルマンフィルタに接続することにより、SSMバックボーンを頑健な時間的モデリングに保存しながら、前者の計測精度の欠如をクロス変数モデリングに活用する。
強い依存性を持つODEとPEMSでは、Chameleonはすべての設定で最高のMSEとMAEを達成し、CIアブレーションと以前のCDメソッドは平均61-178%高いMSEを達成している。
- 参考スコア（独自算出の注目度）: 7.019680273526295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time series forecasting (MTSF) is critical across many real-world domains. Existing deep learning approaches fall into two paradigms with distinct limitations: channel-independent (CI) methods unconditionally ignore cross-variable dependencies and model only temporal dynamics, while channel-dependent (CD) methods consider both but typically rely on architectural compromises to mitigate overfitting and computational overhead. We therefore propose Chameleon, a specialized CD state space model (SSM) that enables data-dependent, fine-grained interactions across variables while scaling linearly with their number. By connecting selective SSMs with the Kalman filter, we leverage the missing measurement update in the former for cross-variable modeling while preserving the SSM backbone for robust temporal modeling. We further identify favorable inductive biases of GatedDeltaNet for time series, adapt it as our backbone, and improve generalization through additional techniques, including a previously unexplored stochastic perturbation of reversible instance normalization. On strongly dependent ODE and PEMS datasets, Chameleon achieves the best MSE and MAE across all settings, while its CI ablation and prior CD methods incur 61-178% higher MSE on average. Across 28 standard benchmark settings, Chameleon also achieves better MSE and MAE than each baseline in at least 27 and 22 cases, respectively. Training-time and peak-memory analyses on Traffic and ETT further demonstrate competitive efficiency and favorable memory scalability across different variable counts.
- Abstract（参考訳）: 多変量時系列予測(MTSF)は多くの実世界の領域において重要である。
既存のディープラーニングアプローチは、2つのパラダイムに分けられる: チャネル非依存(CI)メソッドは、無条件でクロス変数の依存関係を無視し、時間的ダイナミクスのみをモデル化する。
そこで本研究では,CD状態空間モデルであるChameleonを提案する。
選択的なSSMをカルマンフィルタに接続することにより、SSMバックボーンを頑健な時間的モデリングに保存しながら、前者の計測精度の欠如をクロス変数モデリングに活用する。
さらに、時系列に対するGatedDeltaNetの好ましく帰納バイアスを特定し、それを我々のバックボーンとして適応させ、これまで探索されなかった可逆なインスタンス正規化の確率的摂動を含む追加手法により一般化を改善する。
強い依存度を持つODEとPEMSデータセットでは、Chameleonはすべての設定で最高のMSEとMAEを達成し、CIアブレーションと以前のCDメソッドは平均61-178%高いMSEを達成している。
28の標準ベンチマーク設定で、Chameleonは、それぞれ27と22のケースで、各ベースラインよりも優れたMSEとMAEを実現している。
トラフィックとETTのトレーニング時間およびピークメモリ分析により、異なる変数数間での競合効率と良好なメモリスケーラビリティがさらに証明される。
関連論文リスト
- AdaSurvMamba: Dynamic Fusion and Semantic Scanning for Multimodal Survival Analysis [57.942670844512016]
我々はAdaSurvMambaをマルチモーダルサバイバル分析の新しい適応フレームワークとして紹介する。
このフレームワークは、クロスモーダル相互作用強度を動的に変調するDual-Scale Importance-Aware Reconstruction (DSIR)モジュールを備えている。
5つのTCGAコホートに対する実験は、既存の方法よりも一貫した利得を示している。
論文 参考訳（メタデータ） (2026-06-28T11:36:31Z) - MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。
MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。
このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
論文 参考訳（メタデータ） (2026-02-14T14:00:06Z) - Improving Day-Ahead Grid Carbon Intensity Forecasting by Joint Modeling of Local-Temporal and Cross-Variable Dependencies Across Different Frequencies [3.1953619915392246]
グリッドカーボン強度係数(CIF)の正確な予測は、現代の電力システムにおける需要側管理と排出削減に不可欠である。
ディープラーニングベースの手法の進歩にもかかわらず、きめ細かい局所的依存関係を捉えることは依然として困難である。
2つの並列モジュールを統合する新しいモデルを提案する。
論文 参考訳（メタデータ） (2026-01-10T11:20:55Z) - Multivariate Time-series Anomaly Detection via Dynamic Model Pool & Ensembling [10.831568759799657]
MTS異常検出のための動的モデルプールおよび組立フレームワークDMPEADを提案する。
我々のモデルはすべてのベースラインを上回り、優れた適応性とスケーラビリティを示します。
論文 参考訳（メタデータ） (2026-01-05T11:48:21Z) - Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting [49.40321003932633]
Adapformerは、効果的なチャネル管理を通じてCIとCD方法論のメリットをマージする、トランスフォーマーベースの高度なフレームワークである。
Adapformerは既存のモデルよりも優れた性能を実現し、予測精度と計算効率の両方を向上させる。
論文 参考訳（メタデータ） (2025-11-18T16:24:05Z) - Kairos: Towards Adaptive and Generalizable Time Series Foundation Models [27.076542021368056]
時系列基礎モデル (TSFM) は時系列解析の強力なパラダイムとして登場してきた。
動的パッチトークンとインスタンス適応型位置埋め込みを統合した,柔軟なTSFMフレームワークであるKairosを提案する。
Kairosは2つの共通ゼロショットベンチマークのパラメータをはるかに少なくして、優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-09-30T06:02:26Z) - TSGym: Design Choices for Deep Multivariate Time-Series Forecasting [38.12202305030755]
この作業は、深いMTSFメソッドをそのコアできめ細かいコンポーネントに分解することでギャップを埋める。
MTSFタスクのためのTSGymと呼ばれる新しい自動化ソリューションを提案する。
大規模な実験により、TSGymは既存のMTSF法やAutoML法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2025-09-21T12:49:31Z) - WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。
WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。
私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-07-23T16:02:06Z) - The Capacity and Robustness Trade-off: Revisiting the Channel
Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。
以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。
本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
論文 参考訳（メタデータ） (2023-04-11T13:15:33Z) - Deep Switching State Space Model (DS$^3$M) for Nonlinear Time Series Forecasting with Regime Switching [2.8579459256051316]
我々はDeep Switching State Space Model(DS$3$M)として知られる新しいモデリングフレームワークを紹介する。
このフレームワークは、動的に隠された不規則な状態を特定しながら、そのような時系列の正確な予測を行うように設計されている。
本研究は,DS$3$Mの短期および長期の予測テストを通じて,シミュレーションおよび実世界の幅広いデータセット上でのDS$3$Mの有効性とレギュラー識別能力を検証する。
論文 参考訳（メタデータ） (2021-06-04T08:25:47Z)
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。