論文の概要: Paloma: Phase-Conditioned Residual Modulation for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.25392v1
• Date: Sun, 18 Oct 2026 16:45:09 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:23:46.73098
• Title: Paloma: Phase-Conditioned Residual Modulation for Time Series Forecasting
• Title（参考訳）: Paloma: 時系列予測のための相依存性残留変調
• Abstract要約: 周期性の明示的なモデリングは、時系列予測の効率的なアプローチであることが証明されている。 これらの残留物は依然として構造的, テクトフェーズ依存性の偏差を示す。 残差をモデル化するフレームワークであるtextitPaloma を提案する。
• 参考スコア（独自算出の注目度）: 23.452825584856708
• License:
• Abstract: Explicitly modeling periodicity has proven to be an efficient approach for time series forecasting, where the residual, obtained after removing the periodic component from the time series, is typically treated as unstructured noise. However, in this work, we show that such residuals still exhibit structured, \textit{phase-dependent} deviations, as supported by both empirical observations and theoretical analysis. This suggests that residuals should not be treated merely as unstructured noise, but instead as \textit{phase-conditioned signals} whose variations arise in both direction and magnitude. Motivated by this perspective and inspired by phase and amplitude modulation in classical signal processing, we propose \textit{Paloma}, a simple yet effective framework for modeling residual deviations. Specifically, Paloma comprises two complementary modules: \textit{a Phase Rotation module}, which performs phase-conditioned rotations to capture directional changes in the feature space, and \textit{an Amplitude Scaling module}, which applies phase-conditioned affine transformations to model magnitude variations. We further abstract the two modules into a general-purpose plugin, termed the \textit{Paloma technique}, which can be readily integrated into existing forecasting architectures to modulate input sequences in a phase-aware manner, enabling backbone models to capture phase-dependent variations in both direction and magnitude. Extensive experiments on twelve datasets demonstrate that Paloma achieves state-of-the-art and robust forecasting performance. Additional results show that the Paloma technique consistently improves a wide range of baseline models, validating its effectiveness as a general-purpose component. Our Code is available at \url{https://github.com/TSTS13/Paloma}.
• Abstract（参考訳）: 周期性を明示的にモデル化することは、時系列予測において効率的なアプローチであることが証明されており、時系列から周期成分を取り除いた後に得られる残差は、典型的には非構造ノイズとして扱われる。 しかし,本研究では,これらの残留物が,経験的観察と理論的解析の両面から支持されるような,構造化された‘textit{phase-dependent’偏差を示すことを示す。 このことは、残留物は単に非構造ノイズとして扱われるのではなく、代わりに方向と大きさのばらつきが生じる「textit{phase-conditioned signal}」として扱われるべきであることを示している。 この観点から、古典的な信号処理における位相変調と振幅変調に触発され、残留偏差をモデル化するためのシンプルで効果的なフレームワークである「textit{Paloma}」を提案する。 特に、Paloma は2つの相補的な加群からなる: \textit{a Phase Rotation module} は特徴空間の方向変化を捉える位相条件付き回転を行い、 \textit{an Amplitude Scaling module} は位相条件付きアフィン変換をモデルサイズバリエーションに適用する。 さらに,2つのモジュールを汎用プラグインに抽象化し,既存の予測アーキテクチャに容易に統合して,位相認識方式で入力シーケンスを変調することで,バックボーンモデルによる位相依存性の両方向および大きさの変動の把握を可能にする。 12のデータセットに対する大規模な実験は、Palomaが最先端で堅牢な予測性能を達成することを示した。 さらなる結果から、パロマ法は幅広いベースラインモデルを改善し、汎用コンポーネントとしての有効性を検証している。 私たちのコードは \url{https://github.com/TSTS13/Paloma} で利用可能です。

関連論文リスト

• $M^2Net$: Unifying Scale-Specific Structures and Prototype Decomposition for Spatial-Temporal Forecasting [62.414974731333295]
  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。
  論文  参考訳（メタデータ） (2026-10-17T07:24:57Z)
• LeHami: Symplectic Latent Dynamics for World Models [48.8474710268196]
  我々は、標準予測器を構造化潜在状態上の作用条件ハミルトン流に置き換えるために、シンプレクティック・ハミルトン的JEPA(LeHami)を導入する。 LeHamiは、制約のないJEPA世界モデル上での長距離速度予測を大幅に改善する。
  論文  参考訳（メタデータ） (2026-10-11T01:28:41Z)
• FLOW: Feature-Level Optimal Warping for Generalized Remote Physiological Measurement [57.28708273339219]
  リモート光麻痺は、非接触的な生理的測定を可能にするが、照明、運動、センサーからの領域シフトに弱いままである。 我々は、ドメイン一般化ミノグラフィーのための最適輸送駆動フレームワークである textbfFLOW (Feature-Level Optimal Warping) を提案する。
  論文  参考訳（メタデータ） (2026-09-30T04:00:12Z)
• AdaST: Adaptive Coupling for Spatial-Temporal Forecasting [73.12995092031646]
  実世界のSTデータは、時間的支配と空間的支配から強い結合まで、異なる結合状態を示す。 本稿では,これらの課題に対処する適応的なST予測フレームワークであるAdaSTを提案する。 AdaSTは最先端のベースラインを大幅に上回り、適応的なアプローチの必要性を検証する。
  論文  参考訳（メタデータ） (2026-09-28T18:52:12Z)
• One Step Closer to Ground Truth: A Multi-Scale Residual-Aware Representation Learning Pipeline for Predicting Time Series Data [6.704099492625706]
  本稿では,予測と残差学習を表現学習の異なる段階に明確に分離する2段階のモデル非依存フレームワークを提案する。 このパイプラインを仮説空間拡張として定式化することにより、我々のフレームワークは単一ステージアーキテクチャに固有の近似制限に対処する。
  論文  参考訳（メタデータ） (2026-06-09T10:31:54Z)
• PAMod: Modeling Cyclical Shifts via Phase-Amplitude Modulation for Non-stationary Time Series Forecasting [59.88916926133985]
  正規化特徴空間における位相振幅変調による循環分布シフトをモデル化するフレームワークPAModを提案する。 PAModは計算資源を減らして最先端の性能を実現する。 我々の変調機構は,プラグイン・アンド・プレイ技術として,既存の時系列予測手法を簡易な統合で改善することができる。
  論文  参考訳（メタデータ） (2026-05-01T07:09:23Z)
• PAMNet: Cycle-aware Phase-Amplitude Modulation Network for Multivariate Time Series Forecasting [42.86661738011748]
  本稿では,周期パターンを相補的な位相および振幅成分に明示的に分解する周期型位相振幅変調ネットワーク(PAMNet)を提案する。 本手法は,その新しい位相振幅デカップリング機構により,最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-05-01T06:59:59Z)
• 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)

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。