論文の概要: FreSia: Frequency-Semantic Instantiation and Alignment for Multivariate Time Series Analysis

• arxiv url: http://arxiv.org/abs/2610.05726v1
• Date: Mon, 05 Oct 2026 03:29:07 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:24:36.096033
• Title: FreSia: Frequency-Semantic Instantiation and Alignment for Multivariate Time Series Analysis
• Title（参考訳）: FreSia:多変量時系列解析のための周波数意味的インスティファイションとアライメント
• Abstract要約: 本稿では,LLMのセマンティック空間と時系列の周波数空間を効果的にアライメントする周波数認識フレームワークFreSiaを提案する。 具体的には、FreSia内の周波数誘導プロンプト機構であるFGPromptは、時系列の周波数領域構造を蒸留し、LSMの意味空間に合わせたプロンプトに投影する。
• 参考スコア（独自算出の注目度）: 21.07713739138659
• License:
• Abstract: Large Language Models (LLMs) have shown strong potential in multivariate time series forecasting and anomaly detection. Existing studies predominantly inject temporal information into LLMs via direct numerical tokenization or heuristic textual descriptions. However, LLMs still face difficulty in perceiving the underlying structural patterns of numerical time series, particularly the seasonal and trend components obscured by discrete numerical tokens. To bridge this gap, we propose FreSia, a frequency-aware framework that establishes an effective alignment between the semantic space of LLMs and the frequency space of time series. Specifically, FGPrompt, a Frequency-Guided Prompt mechanism within FreSia, distills the frequency-domain structures of time series and projects them into prompts tailored to the semantic space of LLMs. Furthermore, we introduce a Global-driven Context Learning (GCL) component, which uses a global CLS-driven probe to generate global context to bridge the time-frequency domain gap and fuse the multi-modal information. Experiments on eight forecasting benchmarks show that FreSia achieves average improvements of 13.48% and 8.06% in MSE and MAE, respectively.
• Abstract（参考訳）: 大規模言語モデル(LLM)は,多変量時系列予測や異常検出において強い可能性を示している。 既存の研究では、直接数値的なトークン化やヒューリスティックなテキスト記述を通じて、時間情報をLSMに注入する研究が主流である。 しかし、LLMは数値時系列の基盤となる構造パターン、特に離散的な数値トークンによって隠蔽される季節成分や傾向成分を理解するのに依然として困難に直面している。 このギャップを埋めるために,LLMのセマンティック空間と時系列の周波数空間との効果的なアライメントを確立する周波数認識フレームワークFreSiaを提案する。 具体的には、FreSia内の周波数誘導プロンプト機構であるFGPromptは、時系列の周波数領域構造を蒸留し、LSMの意味空間に合わせたプロンプトに投影する。 さらに,グローバルCL(Global-driven Context Learning)コンポーネントを導入し,グローバルCLS(Global-driven Context Learning)プローブを用いてグローバルコンテキストを生成し,時間周波数領域のギャップを埋め,マルチモーダル情報を融合する。 8つの予測ベンチマークの実験では、FreSiaはそれぞれMSEとMAEの13.48%と8.06%の平均的な改善を達成した。

関連論文リスト

• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• MAP4TS: A Multi-Aspect Prompting Framework for Time-Series Forecasting with Large Language Models [21.55012962327603]
  MAP4TSは、古典的な時系列分析をプロンプト設計に明示的に組み込んだ、新しいマルチアスペクト・プロンプトフレームワークである。 我々のフレームワークでは、データセットレベルのコンテキストを伝達するGlobal Domain Prompt、最近のトレンドとシリーズ固有の振る舞いをエンコードするLocal Domain Prompt、手作りの洞察を埋め込む統計的および時間的Promptという4つの特別なプロンプトコンポーネントを導入しています。
  論文  参考訳（メタデータ） (2025-10-27T07:51:54Z)
• SciTS: Scientific Time Series Understanding and Generation with LLMs [53.35994674187729]
  SciTSは12の科学領域と43のタスクにまたがるベンチマークである。 テキストのみのLLM、マルチモーダルのLLM、統合時系列モデルを含む17のモデルをベンチマークする。 次に、時系列を理解して生成する能力を備えたLLMに対応するフレームワークであるTime Omniを紹介します。
  論文  参考訳（メタデータ） (2025-09-26T09:25:16Z)
• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。 また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• LLM-PS: Empowering Large Language Models for Time Series Forecasting with Temporal Patterns and Semantics [56.99021951927683]
  Time Series Forecasting (TSF) は、金融計画や健康モニタリングなど、多くの現実世界のドメインにおいて重要である。 既存のLarge Language Models (LLM) は通常、時系列データ固有の特性を無視するため、非最適に実行する。 時系列データから基本的なtextitPatterns と有意義な textitSemantics を学習し,TLF のための LLM-PS を提案する。
  論文  参考訳（メタデータ） (2025-03-12T11:45:11Z)
• 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)
• F-SE-LSTM: A Time Series Anomaly Detection Method with Frequency Domain Information [10.113418621891281]
  F-SE-LSTMと呼ばれる新しい時系列異常検出法を提案する。 この方法は、2つのスライディングウィンドウと高速フーリエ変換(FFT)を用いて周波数行列を構成する。 F-SE-LSTMは、通常の時間領域や周波数領域のデータよりも識別能力が高いことを示す。
  論文  参考訳（メタデータ） (2024-12-03T14:36:24Z)
• Hierarchical Multimodal LLMs with Semantic Space Alignment for Enhanced Time Series Classification [4.5939667818289385]
  HiTimeは階層的なマルチモーダルモデルであり、時間的情報を大きな言語モデルにシームレスに統合する。 本研究は, 時間的特徴をLCMに組み込むことにより, 時系列解析の進歩に寄与する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-10-24T12:32:19Z)
• 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。