論文の概要: TStruct: Learning Shared Temporal Structures for Long-Term Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.17864v1
• Date: Tue, 13 Oct 2026 07:24:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.54301
• Title: TStruct: Learning Shared Temporal Structures for Long-Term Time-Series Forecasting
• Title（参考訳）: TStruct:長期時系列予測のための共有時間構造学習
• Abstract要約: 実世界の時系列は、しばしば騒々しく非定常的であり、ディープラーニングモデルがトレーニングデータに付随する時間的相互作用を適合させる傾向がある。 textbfTemporal textbfStructure Network (textbfTStruct) を提案する。
• 参考スコア（独自算出の注目度）: 30.411655129255923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term time series forecasting requires temporal dependency modeling that remains stable and generalizable under temporal distribution shifts. However, real-world time series are often noisy and non-stationary, making deep learning models prone to fitting incidental temporal interactions in the training data. A key question is whether there exist temporal relationship structures that recur across different temporal positions and variables. We analyze temporal relationship matrices on commonly used time series datasets and find that samples from different temporal positions and different variables exhibit shared dominant temporal relationship structures. This indicates that temporal relationship structures contain patterns that recur stably across samples and variables. To learn such shared structures, we propose \textbf{T}emporal \textbf{Struct}ure Network (\textbf{TStruct}), a simple yet effective network for directly learning shared and generalizable temporal dependencies. Specifically, TStruct directly parameterizes a set of shared temporal dependency matrices and generates normalized combination weights using dynamic sample information and static variable priors. These weights represent a soft allocation of each sample-variable pair over shared temporal dependency structures, enabling the model to generate adaptive temporal dependency matrices under shared structural constraints, rather than fitting incidental interactions in a fully unconstrained manner. Notably, this simple structure-aware design consistently outperforms several strong baselines across all datasets, achieving superior accuracy while maintaining high computational efficiency.
• Abstract（参考訳）: 長期時系列予測には、時間分布シフトの下で安定かつ一般化可能な時間依存性モデリングが必要である。 しかし、実世界の時系列は、しばしば騒々しく非定常的であり、ディープラーニングモデルはトレーニングデータに付随する時間的相互作用を適合させる傾向にある。 重要な問題は、異なる時間的位置と変数にまたがって再帰する時間的関係構造が存在するかどうかである。 時系列データセット上で時間関係行列を解析し、時間的位置と変数の異なるサンプルが支配的な時間的関係構造を持つことを示す。 このことは、時間的関係構造がサンプルや変数間で安定に再帰するパターンを含んでいることを示している。 このような共有構造を学習するために、共有および一般化可能な時間的依存関係を直接学習するための単純で効果的なネットワークである \textbf{T}emporal \textbf{Struct}ure Network (\textbf{TStruct}) を提案する。 具体的には、TStructは、共有時間依存行列の集合を直接パラメータ化し、動的サンプル情報と静的変数先行値を用いて正規化結合重みを生成する。 これらの重みは、共有時間的依存構造上の各サンプル変数対のソフトアロケーションを表しており、完全に制約のない方法でのインシデント相互作用を適合させるのではなく、共有構造的制約の下で適応時間的依存行列を生成することができる。 特に、この単純な構造認識設計は、高い計算効率を維持しながら、より優れた精度を達成し、全てのデータセットの強いベースラインを一貫して上回ります。

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)
• SeesawNet: Towards Non-stationary Time Series Forecasting with Balanced Modeling of Common and Specific Dependencies [27.260310284240248]
  SeesawNetは、時間次元とチャネル次元の両方で、共通およびインスタンス固有の依存性モデリングのバランスをとる統一アーキテクチャである。 コアとなるAdaptive Stationary-Nonstationary Attention (ASNA)は、正規化されたシーケンスからの共通依存関係と、生のシーケンスからの特定の依存関係をキャプチャする。 ASNAを基盤として構築されたSeesawNetは、時間的およびチャネル関係のモデリングを交互に行い、長距離およびクロス変数の依存関係を共同でキャプチャする。
  論文  参考訳（メタデータ） (2026-05-14T08:29:52Z)
• SPaRSe-TIME: Saliency-Projected Low-Rank Temporal Modeling for Efficient and Interpretable Time Series Prediction [0.0]
  SPaRSe-TIME(サイト・英語)は、時系列を分解して3つの相補的なコンポーネント(サリエンシ、メモリ、トレンド)にモデル化するフレームワークである。 多様な実世界のデータセットの実験は、SPaRSe-TIMEが競合性能を達成することを示した。 全体として、SPaRSe-TIMEは、モノリシックシーケンスモデルの原則的な代替、ブリッジ効率、解釈可能性、パフォーマンスを提供し、時系列学習のためのスケーラブルなフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-04-19T09:55:28Z)
• DeCoP: Enhancing Self-Supervised Time Series Representation with Dependency Controlled Pre-training [39.30046923897652]
  本稿では、動的でマルチスケールな依存関係を、進化するパッチ間の依存関係をシミュレートすることで、明示的にモデル化する依存性制御事前学習フレームワークを提案する。 DeCoPは、低いコンピューティングリソースを持つ10のデータセットに対して最先端の結果を達成し、わずか37%のFLOPを使用して、PatchTST上のETTh1上でMSEを3%改善する。
  論文  参考訳（メタデータ） (2025-09-18T05:44:06Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
  拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。 構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
  論文  参考訳（メタデータ） (2024-05-22T15:23:10Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• 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)
• Variational Conditional Dependence Hidden Markov Models for Skeleton-Based Action Recognition [7.9603223299524535]
  本稿では、時間変化の時間依存性パターンをキャプチャする問題に対処するために、従来の逐次モデリング手法を再検討する。 我々は、過去のフレームへの依存を動的に推定するHMMの異なる定式化を提案する。 フォワード・バックワード・アルゴリズムに基づく抽出可能な推論アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-02-13T23:18:52Z)

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。