論文の概要: CTIA-ODE: Continuous-Time Inter-Variable Attention for Long-Term Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.19831v2
• Date: Sat, 17 Oct 2026 05:28:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 21:22:33.489414
• Title: CTIA-ODE: Continuous-Time Inter-Variable Attention for Long-Term Time Series Forecasting
• Title（参考訳）: CTIA-ODE:長期連続予測のための連続時間間変動注意
• Abstract要約: CTIA-ODE(Continuous-Time Inter-Variable Attention)を中心とした連続時間予測フレームワークについて紹介する。 CTIAは通常の微分方程式(ODE)解決器に埋め込まれており、内因性軌道を継続的に進化させ、静的な外部コンテキストを動的にクエリすることができる。 8つの実世界のデータセットに対する実験により、CTIA-ODEが最先端の予測性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 2.042582948199802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although multivariate time series forecasting has broad application prospects, effectively incorporating exogenous variables remains challenging. Prevailing discrete-time architectures often impose rigid temporal alignment across heterogeneous variables, which may limit their ability to capture continuously evolving external effects. To address this limitation, we introduce CTIA-ODE, a continuous-time forecasting framework centered on Continuous-Time Inter-Variable Attention (CTIA). Specifically, CTIA is embedded within an ordinary differential equation (ODE) solver, enabling the continuously evolving endogenous trajectory to dynamically query a static exogenous context along the integration path without requiring explicit temporal alignment. To improve the stability of the continuous latent dynamics, we further introduce a dual-stabilization strategy: architecturally, a Linear Residual Augmentation (LRA) module provides a macroscopic trend anchor, while an Outlier-Robust Hybrid Loss (ORHL) mitigates the influence of heavy-tailed anomalies during optimization. Extensive experiments across eight real-world datasets demonstrate that CTIA-ODE achieves state-of-the-art forecasting performance across diverse datasets and prediction horizons, while maintaining a favorable accuracy-efficiency trade-off with a compact memory footprint and low inference latency, particularly under long-horizon forecasting settings. Anonymous code is available at https://anonymous.4open.science/r/CTIA-ODE-15A6/.
• Abstract（参考訳）: 多変量時系列予測は幅広い応用可能性を持っているが、外因性変数を効果的に取り入れることは依然として困難である。 一般的な離散時間アーキテクチャは、しばしば不均一な変数に厳密な時間的アライメントを課し、連続的に進化する外部効果を捉える能力を制限する可能性がある。 この制限に対処するため,CTIA(Continuous-Time Inter-Variable Attention)を中心とした連続時間予測フレームワークであるCTIA-ODEを導入する。 特に、CTIAは通常の微分方程式(ODE)解決器に埋め込まれており、連続的に進化する内因性軌道は、明示的な時間的アライメントを必要とせず、積分経路に沿って静的な外因性コンテキストを動的にクエリすることができる。 アーキテクチャ的には、線形残留拡張(LRA)モジュールはマクロなトレンドアンカーを提供するが、アウトリア・ロバストハイブリッドロス(ORHL)は、最適化中の重み付き異常の影響を緩和する。 8つの実世界のデータセットにわたる大規模な実験により、CTIA-ODEは様々なデータセットと予測水平線をまたいだ最先端の予測性能を達成し、コンパクトなメモリフットプリントと推論遅延の低い良好な精度のトレードオフを維持しながら、特にロングホライゾン予測設定下では。 匿名コードはhttps://anonymous.4open.science/r/CTIA-ODE-15A6/で入手できる。

関連論文リスト

• Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing [4.62541204592513]
  本稿では,エラー関連自己回帰予測の時間的制限を克服する構造的不確実性モジュールであるTegerを紹介する。 Tegerはバックボーンに依存しないため、自己回帰エンコーダによって生成される潜伏状態のみを必要とする。
  論文  参考訳（メタデータ） (2026-05-18T08:51:33Z)
• DySCo: Dynamic Semantic Compression for Effective Long-term Time Series Forecasting [6.800568640042171]
  時系列予測は、金融、気象学、エネルギーといった分野において重要である。 本稿では,これらの課題に対処する動的意味圧縮(DySCo)フレームワークを提案する。 DySCoは汎用的なプラグイン・アンド・プレイモジュールとして機能し、主要なモデルが長期的相関を捉える能力を大幅に強化する。
  論文  参考訳（メタデータ） (2026-04-01T12:40:23Z)
• Towards Efficient and Stable Ocean State Forecasting: A Continuous-Time Koopman Approach [17.986879367736762]
  連続時間クープマンオートエンコーダ (CT-KAE) は, 長期海洋状態予測のための軽量サロゲートモデルである。 CT-KAEは、自己回帰トランスフォーマーベースラインとは対照的に、境界誤差成長と安定した大規模統計を示す。 このモデルでは,数値解法よりも高速な推定が可能である。
  論文  参考訳（メタデータ） (2026-03-05T09:39:44Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• CANet: ChronoAdaptive Network for Enhanced Long-Term Time Series Forecasting under Non-Stationarity [0.0]
  本稿では,スタイル転送技術に触発された新しいアーキテクチャであるChoronoAdaptive Network (CANet)を紹介する。 CANetの中核は非定常適応正規化モジュールであり、スタイルブレンディングゲートと適応インスタンス正規化(AdaIN)をシームレスに統合する。 実世界のデータセットに関する実験は、CANetが最先端の手法よりも優れていることを検証し、MSEの42%、MAEの22%を達成している。
  論文  参考訳（メタデータ） (2025-04-24T20:05:33Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)

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。