論文の概要: $M^2Net$: Unifying Scale-Specific Structures and Prototype Decomposition for Spatial-Temporal Forecasting

• arxiv url: http://arxiv.org/abs/2610.24516v1
• Date: Sat, 17 Oct 2026 07:24:57 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:43:18.700853
• Title: $M^2Net$: Unifying Scale-Specific Structures and Prototype Decomposition for Spatial-Temporal Forecasting
• Title（参考訳）: M^2Net$:空間時間予測のためのスケール特化構造とプロトタイプ分解
• Abstract要約: 我々は、スケール固有の構造学習と意味分解を統合するために、$M2Net$という新しいフレームワークを提案する。 M2Net$は、広範な経験的検証において最先端のベースラインを上回っます。
• 参考スコア（独自算出の注目度）: 62.414974731333295
• License:
• Abstract: Spatial-temporal forecasting is pivotal for intelligent urban management yet remains challenging due to the intricate coupling of spatial dynamics and temporal non-stationarity. Existing approaches, while effective, often overlook two fundamental characteristics of real-world data: (1) Granularity-dependence, where dominant spatial correlations shift significantly across different time scales, and (2) Signal entanglement, where global common patterns are inextricably mixed with node-specific disturbances. In this paper, we propose a novel framework named $M^2Net$ (Multi-Scale Masked attention and Prototype network) to unify scale-specific structural learning and semantic decomposition. First, to capture the evolution of spatial dependencies, we introduce a Multi-Scale Masked attention mechanism. By downsampling temporal features into multiple resolutions, we dynamically generate scale-adaptive spatial masks, allowing the model to distinguish between micro-scale physical neighbors and macro-scale functional correlations. Second, to disentangle unique variations from shared trends, we propose a Prototype Residual Learning module. It retrieves global common patterns from a momentum-updated prototype bank and subtracts them from node representations, explicitly forcing the network to model the residual unique deviations. By integrating these two orthogonal views, i.e., structural multiscaling and semantic decomposition, our approach effectively isolates valid spatial-temporal signals from noise. Extensive experiments on real-world datasets demonstrate that $M^2Net$ outperforms state-of-the-art baselines on extensive empirical verifications.
• Abstract（参考訳）: 空間的時間的予測はインテリジェントな都市管理において重要であるが、空間力学と時間的非定常性の複雑な結合のため、依然として困難である。 既存のアプローチは,実世界のデータの基本的特徴として,(1) 時間スケールの異なる空間相関が顕著に変化する粒度依存性,(2) 大域共通パターンとノード固有の乱れが複雑に混在する信号絡み,の2つを見落としている。 本稿では,M^2Net$(Multi-Scale Masked attention and Prototype network)という新しいフレームワークを提案する。 まず,空間依存の進化を捉えるために,マルチスケールマスケッドアテンション機構を導入する。 時間的特徴を複数の解像度にダウンサンプリングすることにより、スケール適応型空間マスクを動的に生成し、マイクロスケールの物理近傍とマクロスケールの関数相関を区別する。 第2に,共有トレンドからユニークなバリエーションを分離するために,プロトタイプ残留学習モジュールを提案する。 モーメントアップされたプロトタイプバンクからグローバルな共通パターンを取得し、ノード表現からそれらを抽出し、ネットワークに残留するユニークな偏差をモデル化させる。 これら2つの直交的視点,すなわち構造的マルチスケーリングと意味的分解を統合することにより,本手法は有効な時空間信号とノイズを効果的に分離する。 実世界のデータセットに対する大規模な実験により、$M^2Net$は広範な経験的検証において最先端のベースラインを上回っていることが示された。

関連論文リスト

• DST-Net: Decomposed Spatio-Temporal Network for Time Series Forecasting [61.96850918611701]
  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。
  論文  参考訳（メタデータ） (2026-10-15T02:28:22Z)
• DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
  DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。 合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
  論文  参考訳（メタデータ） (2026-08-19T03:44:28Z)
• Eliminating Propagation Delay: Attention-Based Spatial-Temporal Fusion Graph Convolution Network for Traffic Flow Prediction [21.03782087892017]
  我々は,Attention-based Spatial-Temporal Fusion Graph Convolution Network (A-STFGCN) と呼ばれる新しいネットワークを提案する。 本研究では,空間的時間的特徴相関と伝搬遅延を除去した空間的時間的特徴相関を抽出するために,空間的時間的融合ブロックを設計する。 提案手法は,計算効率とデータ利用効率を向上しつつ,全体的な性能を向上する。
  論文  参考訳（メタデータ） (2026-07-27T10:55:20Z)
• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• DSFNet: Learning Dual-Domain Spectral Operators for Multi-Modality Spatio-Temporal Forecasting in Urban Transportation Systems [51.72074484150301]
  本稿ではDSFNet(Dual-Domain Spectral Network)を提案し,変数間の関係を明示的にモデル化する。 このフレームワークは、異種空間パターンを捉えるために、二重領域スペクトルフィルタリングを用いる。 2番目のベースラインと比較して、DSFNetはこれらのデータセット間でMAEを3.21%-10.16%削減する。
  論文  参考訳（メタデータ） (2026-06-05T07:33:57Z)
• How to Bridge Spatial and Temporal Heterogeneity in Link Prediction? A Contrastive Method [11.719027225797037]
  我々は,新しいtextbfContrastive Learning-based textbfLink textbfPrediction model, textbfCLPを提案する。 我々のマイモデルは最先端モデルよりも一貫して優れており、AUCとAPで平均10.10%、13.44%の改善が示されている。
  論文  参考訳（メタデータ） (2024-11-01T14:20:53Z)
• Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition [79.33539539956186]
  本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。 これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-31T11:28:25Z)

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。