論文の概要: Revisiting Identity and Spectra Dispersion in Media-Bridged Time Series Forecasting: Linking Multivariate Signals and Narrative Flows
- arxiv url: http://arxiv.org/abs/2610.11924v1
- Date: Thu, 08 Oct 2026 13:20:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.040968
- Title: Revisiting Identity and Spectra Dispersion in Media-Bridged Time Series Forecasting: Linking Multivariate Signals and Narrative Flows
- Title（参考訳）: メディアブリッジ型時系列予測におけるアイデンティティとスペクトル分散の再検討:多変量信号とナラティブフローのリンク
- Abstract要約: 既存の時系列予測モデルは、パラダイム固有の関係、融合、時間モジュールに依存している。
メディア汎用グラフ適応と自動時間学習に基づく統合マルチメディアID-Aware Network(MIDAPN)を提案する。
- 参考スコア（独自算出の注目度）: 18.83871788016558
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Media-bridged time series forecasting is expanding to encompass traditional "multivariate" and emerging "multimodal" (e.g., through textual assistance). Existing Time Series Forecasting (TSF) models still rely on paradigm-specific relation, fusion, and temporal modules, hindering a common forecasting backbone across numerical and pre-aligned narrative-flow settings. To explore this, we propose the Multimedia Identity-Aware Prism Network (MIDAPN), a unified spatiotemporal forecasting backbone based on media-general graph adaptation and automatic temporal learning: (1) Following media pre-alignment, our Multimedia Identity-Aware Graph (MIDAG) revisits identity through static essence, dynamic behavior, and latent commonality, inducing affinities that extend variable-specific dependencies across media. Contextual Identity Modulation (CIM) further refines discriminative aggregation. (2) We develop Spectral Prism Convolution (SPConv) to automatically perform hierarchical temporal analysis, balancing coarse trends and fine-grained details. Meanwhile, its Adaptive Search Guidance configures a scale-efficient architecture for temporal-dimension reconstruction. These decoupled yet synergistic components jointly address media identity disentanglement and temporal-scale mismatch. Comprehensive evaluations involving 16 SOTA TSF models across 13 "multivariate" and 12 "multimodal" datasets, alongside targeted long-context comparisons against 14 time series foundation models and fused pretrained language models, demonstrate MIDAPN's consistent superiority and broad shared backbone compatibility. The code is available at \href{https://github.com/leijieruilq/MIDAPN/tree/main}{https://github.com/MIDAPN}.
- Abstract（参考訳）: メディアブリッジの時系列予測は、従来の「マルチバリアイト」と出現する「マルチモーダル」(例:テキスト・アシスト)にまで拡大している。
既存の時系列予測(TSF)モデルは依然としてパラダイム固有の関係、融合、時間的モジュールに依存しており、数値的および予め整列された物語フロー設定にわたって共通の予測バックボーンを妨げる。
そこで我々は,メディア一般グラフ適応と自動時間学習に基づく統合時空間予測バックボーンであるマルチメディアアイデンティティ意識ネットワーク(MIIDAPN)を提案する。
CIM(Contextual Identity Modulation)は、識別集約をさらに洗練する。
2) スペクトルプリズム・コンボリューション (SPConv) を開発し, 階層的時間解析, 粗い傾向のバランス, きめ細かい詳細を自動的に行う。
一方、Adaptive Search Guidanceは時間次元再構成のためのスケール効率の高いアーキテクチャを構成する。
これらの分離された相乗的コンポーネントは、メディアアイデンティティの絡み合いと時間スケールのミスマッチに共同で対処する。
13の "multivariate" と12の "multimodal" データセットにまたがる16のSOTA TSFモデルに関する総合的な評価と、14の時系列基礎モデルと融合した事前訓練言語モデルとの長期コンテキスト比較は、MIDAPNの一貫性のある優位性と広範な共有バックボーン互換性を示すものである。
コードは \href{https://github.com/leijieruilq/MIDAPN/tree/main}{https://github.com/MIDAPN} で公開されている。
関連論文リスト
- Timer-M1: A Multivariate Time Series Foundation Model via Learning Primitives [49.5727564886458]
我々は、ゼロショット予測のためのプリミティブを用いて学習する、事前訓練された多変量時系列基礎モデルであるTimer-M1を紹介する。
3つの大規模な予測ベンチマークの中で、Timer-M1はFEVとTIMEの両方で第1位、GIFT-Evalでは第2位である。
論文 参考訳（メタデータ） (2026-10-08T11:28:56Z) - 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) - DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。
動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
論文 参考訳（メタデータ） (2026-02-06T10:48:13Z) - 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) - 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) - SDGF: Fusing Static and Multi-Scale Dynamic Correlations for Multivariate Time Series Forecasting [9.027814258970684]
時系列の正確な予測にはシリーズ間相関が不可欠である。
これらの関係はしばしば異なる時間スケールにわたる複雑なダイナミクスを示す。
既存のメソッドは、これらのマルチスケール依存関係のモデリングに限られています。
論文 参考訳（メタデータ） (2025-09-14T11:23:12Z) - 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) - DisenTS: Disentangled Channel Evolving Pattern Modeling for Multivariate Time Series Forecasting [43.071713191702486]
DisenTSは、一般的な時系列予測において、不整合チャネル進化パターンをモデル化するための調整されたフレームワークである。
本稿では,予測器の状態と入力系列の特性の両方に応じて適応的にルーティング信号を生成する,新しいフォアキャスタ・アウェアゲート(FAG)モジュールを提案する。
論文 参考訳（メタデータ） (2024-10-30T12:46:14Z) - SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。
いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。
本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
論文 参考訳（メタデータ） (2024-04-22T14:06:35Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z)
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。