論文の概要: Morpheus-2.0: Multiscale Probabilistic Forecasting with Dual-Axis Attention
- arxiv url: http://arxiv.org/abs/2610.24321v1
- Date: Fri, 16 Oct 2026 23:37:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-26 02:22:19.997901
- Title: Morpheus-2.0: Multiscale Probabilistic Forecasting with Dual-Axis Attention
- Title（参考訳）: Morpheus-2.0: Dual-Axis によるマルチスケール確率予測
- Abstract要約: 普遍予測器のためのコンパクトエンコーダのみの基礎モデルであるMorpheus-2.0を紹介する。
その二重軸アテンションは、各レイヤで両方の関係を並べて実行し、1つの時間ステップで変数を1つずつ、そして1つの時間内で1つずつ実行します。
Morpheus-2.0 Multiscaleはモデルを複数の時間分解能に一度に拡張し、予測されているシリーズに応じて重み付けする。
- 参考スコア（独自算出の注目度）: 6.105549529751584
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A universal forecaster is trained once and applied everywhere, so it must serve tasks whose schemas, forecast horizons, and temporal resolutions all differ. The number of targets and covariates changes from dataset to dataset, horizons vary by orders of magnitude, and sampling rates range from seconds to years. Existing time-series foundation models address these only in part, since they isolate each series or visit the two grid relations in separate blocks, and they fix the horizon and resolution before training begins. We introduce Morpheus-2.0, a compact encoder-only foundation model that represents targets and covariates on a single variable-time grid. Its dual-axis attention runs both relations side by side in every layer, one across variables at a timestep and one across time within a variable; a learned gate weights the two per layer, and an axis-aware rotary encoding preserves both grid coordinates. The forecast length is sampled during training, so one set of weights spans short to long horizons at no additional inference cost. Morpheus-2.0 Multiscale extends the model to several temporal resolutions at once, weighting them according to the series being forecast. Across GIFT-Eval, which spans several domains and frequencies, the two models give complementary operating points: Morpheus-2.0 attains 0.685 relative MASE with 81M parameters, while the larger Morpheus-2.0 Multiscale attains 0.646 relative MASE and 0.455 relative CRPS, the lowest of any published system on both metrics.
- Abstract（参考訳）: 普遍予測器は一度トレーニングされ、どこでも適用されるので、スキーマ、予測水平線、時間分解能が異なるタスクを処理しなければなりません。
ターゲットと共変量の数はデータセットからデータセットに変化し、水平線は桁違いに変化し、サンプリングレートは数秒から数年で変化する。
既存の時系列基礎モデルは、各シリーズを分離したり、2つのグリッド関係を別々のブロックで訪問したりし、トレーニングが始まる前に水平線と解像度を固定するため、これらにのみ対処する。
単一可変時間グリッド上でターゲットと共変量を表すコンパクトエンコーダのみの基盤モデルであるMorpheus-2.0を紹介する。
その二重軸の注意は、各層に並べて、各層に1つの変数を1つずつ、変数内に1つの変数を1つずつ配置し、学習されたゲートは2つの層を重み付け、軸対応の回転符号化は両方の格子座標を保存する。
予測長はトレーニング中にサンプリングされるので、1組の重みは、追加の推論コストなしで、短くて長い地平線にまたがる。
Morpheus-2.0 Multiscaleはモデルを複数の時間分解能に一度に拡張し、予測されているシリーズに応じて重み付けする。
Morpheus-2.0 は 81M パラメータで 0.685 の相対 MASE を獲得し、Morpheus-2.0 Multiscale は 0.646 の相対 MASE と 0.455 の相対 CRPS を持つ。
関連論文リスト
- TiRex-2: Generalizing TiRex to Multivariate Data and Streaming [18.283731851361182]
TiRex-2はxLSTMベースの時系列基礎モデルである。
TiRex を過去と将来の共変量と共に多変量予測に一般化する。
TiRex-2はGIFT-Evalとfev-benchで最先端のゼロショット性能を実現する。
論文 参考訳（メタデータ） (2026-07-01T17:45:04Z) - DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。
動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
論文 参考訳（メタデータ） (2026-02-06T10:48:13Z) - Moirai 2.0: When Less Is More for Time Series Forecasting [91.36760228926214]
Moirai 2.0は、36Mシリーズの新しいコーパスで訓練されたデコーダのみの基礎モデルである。
これは、精度、速度、モデルサイズの間の強いトレードオフを達成しつつ、事前訓練された上位モデルの1つにランク付けします。
効率性とモデルサイズに関しては、Moirai 2.0は前バージョンであるMoirai 1.0-Largeの2倍の速度と30倍の小型である。
論文 参考訳（メタデータ） (2025-11-12T12:15:35Z) - T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion [0.4915744683251151]
T3Timeは、時間、スペクトル、プロンプトブランチで構成される新しい3モーダルフレームワークである。
予測地平線に基づいて時間的特徴とスペクトル的特徴の優先順位付けを学習する。
我々のモデルは一貫して最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-08-06T09:31:44Z) - DC-Mamber: A Dual Channel Prediction Model based on Mamba and Linear Transformer for Multivariate Time Series Forecasting [6.238490256097465]
現在の主流モデルは主にTransformerと新しいMambaをベースにしている。
DC-Mamber は、時系列予測のためのMamba と linear Transformer に基づく二重チャネル予測モデルである。
8つの公開データセットの実験では、DC-Mamberの既存のモデルよりも優れた精度が確認されている。
論文 参考訳（メタデータ） (2025-07-06T12:58:52Z) - Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための因果変換器Timer-XLを提案する。
大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
論文 参考訳（メタデータ） (2024-10-07T07:27:39Z) - Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。
GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。
このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
論文 参考訳（メタデータ） (2024-05-22T16:41:21Z) - MatFormer: Nested Transformer for Elastic Inference [91.45687988953435]
MatFormerは、多様なデプロイメント制約にまたがる弾性推論を提供するように設計された、新しいTransformerアーキテクチャである。
MatFormerは、標準的なTransformerモデルにネストフィードフォワードネットワーク(FFN)ブロック構造を組み込むことで、これを実現している。
8億5000万デコーダのみのMatFormer言語モデル(MatLM)により,5億2200万から8億5千万のパラメータにまたがる複数の小さなモデルを抽出できることを示す。
論文 参考訳（メタデータ） (2023-10-11T17:57:14Z) - Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。
Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
論文 参考訳（メタデータ） (2023-09-11T16:25:48Z)
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。