論文の概要: OliO: ODE-based Linear Transition Operator for Self-Supervised Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2610.23345v1
- Date: Fri, 16 Oct 2026 11:52:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.908528
- Title: OliO: ODE-based Linear Transition Operator for Self-Supervised Time Series Forecasting
- Title（参考訳）: OliO: ODE-based Linear transition Operator for Self-Supervised Time Series Forecasting (特集:情報ネットワーク)
- Abstract要約: 自己教師付き表現学習は、ラベルのないデータから堅牢な特徴をキャプチャすることで、高度な時系列予測を行う。
我々は,双方向時間流を連続的かつ構造的に一貫した力学系として学習する自己教師型学習法OliOを提案する。
OliOは大きなパフォーマンス向上を実現し、Mean Squared Error(MSE)の最大5.75%の削減を実現した。
- 参考スコア（独自算出の注目度）: 6.155552894821533
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-supervised representation learning has advanced time series forecasting by capturing robust features from unlabeled data. However, existing contrastive and masking-based methods often struggle to explicitly model the underlying temporal flow, either by treating time lag as noise or by disrupting the inherent temporal dynamics essential for forecasting. To address these limitations, we propose OliO (**O**DE-based **Li**near Transition **O**perator), a plug-and-play self-supervised learning method that learns bidirectional temporal flows as a continuous and structurally consistent dynamical system. OliO introduces a transition operator derived from linear Ordinary Differential Equations (ODEs) to align latent representations across arbitrary time shifts. By imposing a strictly upper triangular constraint on the transition matrix, we mathematically ensure numerical stability and enforce a robust polynomial boundary that effectively captures long-term dependencies while preventing the exponential divergence typically found in unconstrained ODE-based models. This structural constraint induces a temporally coherent representation space that preserves the underlying flow essential for accurate forecasting. Extensive experiments across various backbone architectures and benchmarks demonstrate that OliO achieves significant performance gains, providing Mean Squared Error (MSE) reductions of up to 5.75% over the most competitive grid-searched SOTA baselines. The code is available at *https://github.com/eai-lab/OliO*
- Abstract（参考訳）: 自己教師付き表現学習は、ラベルのないデータから堅牢な特徴をキャプチャすることで、高度な時系列予測を行う。
しかし、既存のコントラストとマスキングに基づく手法は、時間ラグをノイズとして扱うか、予測に不可欠な時間的ダイナミクスを破壊することによって、基礎となる時間的流れを明示的にモデル化するのに苦労することが多い。
これらの制約に対処するため,双方向時間流を連続的かつ構造的に一貫した動的システムとして学習するプラグイン・アンド・プレイ型自己教師付き学習法であるOliO (**O**DE-based **Li**near transition **O**perator)を提案する。
OliOは、線形正規微分方程式(ODE)から導かれる遷移作用素を導入し、任意の時間シフトで潜在表現を整列させる。
遷移行列に厳密な三角形の制約を課すことにより、数学的に数値安定性を保ち、長期依存を効果的に捕捉する頑健な多項式境界を強制し、非制約ODEモデルで典型的に見られる指数的発散を防止できる。
この構造的制約は、正確な予測に不可欠な基礎となる流れを保存する時間的コヒーレントな表現空間を誘導する。
さまざまなバックボーンアーキテクチャとベンチマークにわたる大規模な実験により、OliOは大きなパフォーマンス向上を実現し、Mean Squared Error (MSE) の最大5.75%の削減を実現した。
コードは *https://github.com/eai-lab/OliO*
関連論文リスト
- Symbolic Neural ODEs: Learning interpretable models from time-series data [0.0]
時系列データから動的システムのスパースで解釈可能なモデルを特定するための機械学習フレームワークを提案する。
本稿では,ニューラルネットワークを用いて基礎となるベクトル場をパラメータ化し,有限地平線上の多段階予測損失を最小限に抑えて学習する。
多段階学習は, 長期統計特性において, 高精度な短期力学と強い一致を持つモデルが得られることを示す。
論文 参考訳（メタデータ） (2026-08-22T21:31:07Z) - Enhancing Irregular Time Series Forecasting with Continuous-Time Modeling Framework [15.900704071560698]
WrapFlowは、不規則な時系列予測のための連続時間モデリングフレームワークである。
本研究では,ベース予測に関する条件付き残差ベクトル場を学習する残差フローマッチングの訓練パラダイムを開発する。
複数の実世界のデータセットの実験は、WrapFlowが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-07-30T11:18:18Z) - FlowTime: Towards Continuous Generative Watch Time Prediction via Flow-based Personalized Priors [36.51656962595749]
ウォッチタイムは、ショートビデオレコメンデーターシステムにおけるユーザーエンゲージメントを最適化するための重要な指標として登場した。
時計時間予測(WTP)の現在の手法は、固有のパラダイム固有の制限に悩まされている。
本稿では,一段階生成変分オートエンコーダを用いた新しいFlowTimeを提案する。
論文 参考訳（メタデータ） (2026-05-31T17:13:06Z) - 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) - Koopman Autoencoders with Continuous-Time Latent Dynamics for Fluid Dynamics Forecasting [17.98687936773676]
数値積分スキームによる潜伏進化をモデル化する連続時間クープマンフレームワークを導入する。
推論における可変時間ステップを許容することにより、時間分解能に対する堅牢性を示し、訓練体制を超えて一般化する。
従来のCFDベンチマークのアプローチを評価し,精度,安定性,外挿特性について報告する。
論文 参考訳（メタデータ） (2026-02-02T21:33:07Z) - Operator Flow Matching for Timeseries Forecasting [2.406359246841227]
既存の自己回帰と拡散に基づくアプローチは、長い、物理的に一貫した予測を制限する累積誤差や離散化アーチファクトに悩まされることが多い。
本研究では、FNO誤差の上限を証明し、チャネル折り畳みによるスパース条件付けを利用した潜時流マッチングモデルであるTempOを提案する。
論文 参考訳（メタデータ） (2025-10-16T19:40:56Z) - 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) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳（メタデータ） (2024-02-26T04:39:01Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。