論文の概要: CGDT-CESN: Correlation-Guided and Dynamics-Trained Clustered Echo State Network for Multivariate Time-Series Prediction

• arxiv url: http://arxiv.org/abs/2610.22430v1
• Date: Thu, 15 Oct 2026 07:32:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.586978
• Title: CGDT-CESN: Correlation-Guided and Dynamics-Trained Clustered Echo State Network for Multivariate Time-Series Prediction
• Title（参考訳）: CGDT-CESN:多変量時系列予測のための相関型およびダイナミクス型クラスタリングエコー状態ネットワーク
• Abstract要約: CGDT-CESN(Relation-Guided and Dynamics-Trained Clustered Echo State Network)を提案する。 実験的に観測された変数間の相関によってクラスタ間接続が可能となる,革新的な貯水池の設計が提案されている。 CGDT-CESNの予測性能は,2つの基本的異なるデータセットで評価した場合,従来のESNよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of multivariate time series requires models that simultaneously capture variable-specific dynamics and cross-variable interactions. In this work, a Correlation-Guided and Dynamics-Trained Clustered Echo State Network (CGDT-CESN) is proposed, which comprises a modular reservoir architecture with each cluster distinctly specializing in one of the variables in the multivariate time series. An innovative reservoir design is proposed in which inter-cluster connections are enabled by empirically observed correlations among variables, providing a data-driven coupling mechanism. Apart from conventional readout training, inter-cluster connection weights informed by correlations are trained, which in turn allows the reservoir to capture time-varying cross-variable dependencies without sacrificing computational efficiency and further improves forecasting accuracy. The prediction performance of CGDT-CESN is found to be superior to that of the conventional ESN when evaluated on two fundamentally different datasets: Twitter information cascade evolution and solar wind forecasting. Also, the improvement in performance is preserved across multiple prediction horizons, even when presented with a low volume of data. By unifying cluster-specific specialization with learned inter-variable coupling, CGDT-CESN offers a principled, data-driven route to multivariate time series prediction.
• Abstract（参考訳）: 多変量時系列の正確な予測には、変数固有のダイナミクスと相互変数の相互作用を同時にキャプチャするモデルが必要である。 本研究は,多変量時系列における変数の1つを明確に専門化するモジュール型貯水池アーキテクチャを備えた相関型およびダイナミクス型クラスタリングエコー状態ネットワーク(CGDT-CESN)を提案する。 データ駆動型結合機構を提供するため,実験的に観測された変数間の相関によってクラスタ間接続が可能となる,革新的な貯水池の設計が提案されている。 従来の読み出しトレーニングとは別に、相関関係から得られるクラスタ間接続重みをトレーニングすることにより、計算効率を犠牲にすることなく時間変化の異なる相互依存を捕捉し、予測精度をさらに向上させることができる。 CGDT-CESNの予測性能は、Twitter情報カスケード進化と太陽風予測という2つの基本的な異なるデータセットで評価した場合、従来のESNよりも優れている。 また、データ量が少ない場合であっても、性能の改善は複数の予測地平線にまたがって維持される。 CGDT-CESNは、クラスタ固有の特殊化を学習可能な相互結合と統合することにより、多変量時系列予測への原則的、データ駆動の経路を提供する。

関連論文リスト

• CoRA: Boosting Time Series Foundation Models for Multivariate Forecasting through Correlation-aware Adapter [21.809575304934867]
  CoRrelation-aware Adapter (CoRA)は、時系列基礎モデル(TSFM)による微調整のみを必要とする軽量なプラグアンドプレイ方式である。 複雑化を抑えるため,相関行列を低ランクの時間変化成分に分解する。 いくつかのチャネルにのみ現れる正の相関と負の相関を学習するために、新しい二重対比学習法を導入する。
  論文  参考訳（メタデータ） (2026-03-23T11:13:02Z)
• Multivariate time series prediction using clustered echo state network [4.4778341776682735]
  エコー状態ネットワーク(ESN)は、従来のリカレントニューラルネットワークに代わる効率的な代替手段を提供する。 予測精度と雑音に対する頑健性の観点から,CESNは従来型ESNよりも一貫して優れていた。 当社のアルゴリズムは、株式市場、太陽風、カオスRsslerシステムなど、さまざまな現実世界のデータセットでうまく機能します。
  論文  参考訳（メタデータ） (2025-11-28T17:14:15Z)
• 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)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Deep Coupling Network For Multivariate Time Series Forecasting [24.01637416183444]
  我々は,MTS予測のための新しいディープカップリングネットワーク,DeepCNを提案する。 提案するDeepCNは,最先端のベースラインに比べて優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-02-23T06:38:08Z)
• 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)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)
• Pay Attention to Evolution: Time Series Forecasting with Deep Graph-Evolution Learning [33.79957892029931]
  本研究は時系列予測のためのニューラルネットワークアーキテクチャを提案する。 Recurrent Graph Evolution Neural Network (ReGENN) と名付けた。 多数のアンサンブル法と古典統計法との比較を行った。
  論文  参考訳（メタデータ） (2020-08-28T20:10:07Z)

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。