論文の概要: DST-Net: Decomposed Spatio-Temporal Network for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.21123v1
• Date: Thu, 15 Oct 2026 02:28:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.137362
• Title: DST-Net: Decomposed Spatio-Temporal Network for Time Series Forecasting
• Title（参考訳）: DST-Net:時系列予測のための分割時空間ネットワーク
• Abstract要約: 直列分解は、深部時系列予測モデルにおいて広く認められたパラダイムとして現れている。 本稿では,各コンポーネントの本質的な特性に合わせて,特定のモデリング戦略をカスタマイズする,新しいアンタングル型アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 61.96850918611701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Series decomposition has emerged as a widely acknowledged paradigm in deep time series forecasting models. However, existing approaches predominantly employ a homogeneous modeling strategy for all subsequences, thereby overlooking the distinct inductive biases inherent in different components. We identify that the trend component exhibits dominant spatial coupling across channels but carries significant temporal redundancy, whereas the seasonal component is characterized by local temporal evolution but remains susceptible to attention distraction. To address this, we propose a novel disentangled architecture that tailors specific modeling strategies to align with the intrinsic properties of each component. For the trend branch, we design a Latent Graph Block, employing latent graph modeling to capture global topological dependencies and system-wide co-movements. Conversely, for the seasonal branch, we introduce a Gaussian Multi-scale Attention mechanism to mitigate attention distraction. By injecting learnable Gaussian priors, we impose structural constraints that compel the model to focus on multi-granular local contexts, effectively filtering out global noise and accurately capturing local evolutionary phases. Extensive experiments on multiple real-world benchmarks demonstrate the effectiveness of our proposed model.
• Abstract（参考訳）: 直列分解は、深部時系列予測モデルにおいて広く認められたパラダイムとして現れている。 しかし、既存のアプローチは主にすべての部分列に対して同質なモデリング戦略を採用しており、したがって異なる成分に固有の帰納的バイアスを見越すことになる。 傾向成分はチャネル間に支配的な空間的結合を示すが,時間的冗長性は大きいが,季節的変化は時間的変化が特徴であるが,注意散逸の影響を受けやすい。 そこで本研究では,各コンポーネントの固有特性に適合する特定のモデリング戦略を調整した,新しいアンタングル型アーキテクチャを提案する。 トレンドブランチでは,グローバルなトポロジ的依存関係とシステム全体のコムーブメントをキャプチャするために,遅延グラフモデリングを用いた遅延グラフブロックを設計する。 逆に,季節分枝に対しては,注意散逸を軽減するため,ガウス的多スケール注意機構を導入する。 学習可能なガウス前駆体を注入することにより、モデルを多粒質の局所的な文脈に集中させ、グローバルノイズを効果的に除去し、局所的な進化段階を正確に捉える構造的制約を課す。 複数の実世界のベンチマーク実験により,提案手法の有効性が示された。

関連論文リスト

• NEST: Tackling Dataset-Level Distribution Shifts via Regime-Oriented Mixture-of-Experts [25.126587044094716]
  NESTは、データセットを異なる運用体制のコンポジットとしてモデル化し、再構成するように設計された、特殊なフレームワークである。 NESTはまず、データセットを別の運用体制に分割することで、構造的な特殊化を促進する。 個々の専門家は、レギュラー固有のダイナミクスをキャプチャする特別なカーネルとして機能する。
  論文  参考訳（メタデータ） (2026-07-07T05:36:47Z)
• 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)
• Kuramoto Orientation Diffusion Models [67.0711709825854]
  指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。 生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。 一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
  論文  参考訳（メタデータ） (2025-09-18T18:18:49Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• 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)
• RPMixer: Shaking Up Time Series Forecasting with Random Projections for Large Spatial-Temporal Data [33.0546525587517]
  RPMixer と呼ばれる全MLP時系列予測アーキテクチャを提案する。 提案手法は,各ブロックがアンサンブルモデルにおいてベース学習者のように振る舞う深層ニューラルネットワークのアンサンブル的挙動に乗じる。
  論文  参考訳（メタデータ） (2024-02-16T07:28:59Z)
• Taming Local Effects in Graph-based Spatiotemporal Forecasting [28.30604130617646]
  時相グラフニューラルネットワークは時系列予測に有効であることが示されている。 本稿では,グラフに基づく時間的予測におけるグローバル性と局所性の間の相互作用を理解することを目的とする。 このようなアーキテクチャにトレーニング可能なノード埋め込みを組み込むことを合理化するための方法論的枠組みを提案する。
  論文  参考訳（メタデータ） (2023-02-08T14:18:56Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)

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。