論文の概要: QiYao-I: A Manifold Based Foundation Model for Irregular Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.06936v1
• Date: Sat, 03 Oct 2026 06:16:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.472618
• Title: QiYao-I: A Manifold Based Foundation Model for Irregular Multivariate Time Series Forecasting
• Title（参考訳）: QiYao-I:不規則多変量時系列予測のためのマニフォールドベース基礎モデル
• Abstract要約: 本稿では,不規則時系列予測のための多様体ベース基礎モデルであるQiYao-Iを提案する。 本稿では,実時間スタンプを学習可能な時間的多様体特徴空間にマッピングする,サンプリング条件付き時間的多様体アテンション機構を提案する。 実験の結果,QiYao-Iは時系列基礎モデルとエンドツーエンドの不規則予測モデルの両方と比較して優れた性能を示した。
• 参考スコア（独自算出の注目度）: 17.796189355908506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Irregular multivariate time series forecasting is a challenging yet important problem in real-world applications, where observations are often irregularly sampled and asynchronously recorded across variables. Existing time series foundation models are mostly built on regularly sampled sequences, making them difficult to generalize to irregular time intervals and asynchronous cross-variable dependencies. To address these challenges, we propose QiYao-I, a manifold based foundation model for irregular multivariate time series forecasting. Specifically, we introduce a novel sampling-conditioned temporal manifold attention mechanism that maps real timestamps into a learnable temporal manifold feature space and injects temporal manifold biases into attention layers, enabling the model to capture both irregular time intervals and local sampling structures. Further, we propose a dynamic variable interaction mechanism with frequency awareness. It selectively performs cross-variable message passing under asynchronous observations. Extensive experiments on real-world irregular multivariate forecasting benchmarks demonstrate that QiYao-I achieves superior performance compared with both time series foundation models and end-to-end irregular forecasting models, showing strong generalization ability in zero-shot and few-shot settings.
• Abstract（参考訳）: 不規則な多変量時系列予測は実世界のアプリケーションでは難しいが重要な問題であり、観測はしばしば変数間で不規則にサンプリングされ非同期に記録される。 既存の時系列基礎モデルは、主に定期的にサンプリングされたシーケンスに基づいて構築されており、不規則な時間間隔と非同期の相互変数依存に一般化するのが困難である。 これらの課題に対処するため,不規則な多変量時系列予測のための多様体ベース基礎モデルであるQiYao-Iを提案する。 具体的には、実時間スタンプを学習可能な時間的多様体特徴空間にマッピングし、時間的多様体バイアスを注意層に注入し、不規則な時間間隔と局所的なサンプリング構造の両方を捉えることができるサンプリング条件付き時間的多様体注意機構を提案する。 さらに,周波数認識を伴う動的可変相互作用機構を提案する。 非同期観測の下で、クロス変数メッセージパッシングを選択的に実行する。 実世界の不規則な多変量予測ベンチマークにおいて、QiYao-Iは時系列基礎モデルとエンドツーエンドの不規則予測モデルの両方と比較して優れた性能を示し、ゼロショットおよび少数ショット設定において強力な一般化能力を示す。

関連論文リスト

• TiWeaver: Unified Temporal Dynamics Modeling via Contextual Patching [15.279995924017458]
  TiWeaverは、時間的ダイナミクスと細粒度チャネル間の依存関係を適応的に扱うように設計された統合フレームワークである。 12のリアルタイム時系列データセット上でTiWeaverを評価し、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-06-02T04:06:12Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• 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)
• 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)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
  実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。 本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• Temporal Saliency Detection Towards Explainable Transformer-based Timeseries Forecasting [3.046315755726937]
  本稿では、注意機構を基盤として、マルチ水平時系列予測に適用する効果的なアプローチであるTSD(Temporal Saliency Detection)を提案する。 TSD手法は, 多重ヘッドを凝縮することにより, 多分解能パターンの多分解能解析を容易にし, 複雑な時系列データの予測を段階的に向上させる。
  論文  参考訳（メタデータ） (2022-12-15T12:47:59Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Heteroscedastic Temporal Variational Autoencoder For Irregular Time Series [15.380441563675243]
  HeTVAE(Heteroscedastic Temporal Variational Autoencoder)と呼ばれる不規則サンプル時系列のための新しいディープラーニングフレームワークを提案する。 HeTVAEは、入力観察間隔に関する情報を符号化する新しい入力層と、入力間隔による不確かさを伝播する時間的VAEアーキテクチャと、変数による出力の不確実性を可能にするヘテロセダスティック出力層とを含む。 提案したアーキテクチャは,近年提案された潜時変動モデルと同様に,時間スパースおよび不規則サンプリングによる変動不確かさを,ベースラインや従来のモデルよりもよく反映できることを示す。
  論文  参考訳（メタデータ） (2021-07-23T16:59:21Z)

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。