論文の概要: The Future Is Finer: Multivariate Time Series Super-Resolution Forecasting

• arxiv url: http://arxiv.org/abs/2610.33470v1
• Date: Sat, 24 Oct 2026 05:48:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.334964
• Title: The Future Is Finer: Multivariate Time Series Super-Resolution Forecasting
• Title（参考訳）: 多変量時系列超解像予測の未来
• Abstract要約: TimeMagnifierは粗い歴史から微細な未来を予測する。 TimeMagnifierは、データセット、解像度係数、および15のベースラインに対するメトリックでベストです。 デノイズのみとDTWは、既存の予測器のMSEを5.1%から9.0%に下げるプラグインとして転送される。
• 参考スコア（独自算出の注目度）: 19.30618885690506
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Web platforms run on multivariate time series, from service telemetry and Web traffic logs to sensor streams served through Web APIs. Yet, retention policies often archive them at coarse granularity to save storage and bandwidth. Decisions such as autoscaling, alerting, and billing operate at finer granularity than existing forecasters reach, since these models predict at the resolution of their input. We therefore introduce Multivariate Time Series Super-Resolution Forecasting (MTS-SRF), which forecasts fine-grained futures from coarse histories, and propose TimeMagnifier to address its three challenges. Fourier Anchor counters data sparsity by fitting each input window to a trend-Fourier structure with sparse cross-variable gating; De-noise Only constrains fine-grained ambiguity by refining along the resolution axis rather than the noise axis, lengthening the grid level by level; and banded DTW Alignment corrects cross-resolution misalignment against the coarse forecast. On the first MTS-SRF benchmark, with ten datasets from five domains, real archived cross-resolution pairs, strengthened baseline adaptations, and five-seed significance tests, TimeMagnifier is best on every dataset, resolution coefficient, and metric against 15 baselines and cuts MSE by 12.3% on average. Its De-noise Only and DTW stages also transfer as a plug-in that lowers the MSE of existing forecasters by 5.1% to 9.0%. Code will be made publicly available.
• Abstract（参考訳）: Webプラットフォームは,サービステレメトリやWebトラフィックログから,Web APIを通じて提供されるセンサストリームに至るまで,多変量時系列で動作する。 しかし、保持ポリシーはしばしばストレージと帯域幅を節約するために粗い粒度でアーカイブする。 自動スケーリング、警告、請求などの決定は、既存の予測者が到達したよりも細かい粒度で実行される。 そこで,多変量時系列超解像予測(MTS-SRF)を導入し,その3つの課題に対処するTimeMagnifierを提案する。 フーリエアンカーは、各入力ウィンドウを粗いクロス変数ゲーティングでトレンド・フーリエ構造に適合させ、ノイズ軸ではなく分解軸に沿って微細な曖昧さを制限し、グリッドレベルをレベルによって延長し、バンド化されたDTWアライメントは、粗い予測に対してクロス解像度の不整合を補正する。 最初のMTS-SRFベンチマークでは、5つのドメインからの10のデータセット、実際のアーカイブされたクロスレゾリューションペア、強化されたベースライン適応、および5シードの重要度テストにより、TimeMagnifierは平均で15のベースラインに対して、すべてのデータセット、解像度係数、メートル法でベストであり、MSEを12.3%削減する。 De-noise Only と DTW のステージは、既存の予測器の MSE を5.1% から 9.0% に下げるプラグインとしても転送される。 コードは公開されます。

関連論文リスト

• Bridging the High-Frequency Data Gap: A Millisecond-Resolution Network Dataset for Advancing Time Series Foundation Models [4.6652220984529995]
  動作中の5G無線配置からミリ秒間無線および交通条件をキャプチャする新しいデータセットを提案する。 このデータセットはまた、新しいドメイン、無線ネットワークを導入し、エネルギーやファイナンスといった既存の一般的なドメインを補完する。 このデータセットを用いた予測タスクにおける従来の機械学習モデルとTSFMにより、ほとんどのTSFMモデル構成が、この新しいデータ分布に対して不十分に動作することを示した。
  論文  参考訳（メタデータ） (2026-03-17T13:23:37Z)
• Timer-S1: A Billion-Scale Time Series Foundation Model with Serial Scaling [51.78972657142583]
  我々は、Timer-S1、強力なMixture-of-Experts(MoE)時系列基礎モデル、合計8.3Bのパラメータ、各トークンの0.75Bのアクティブパラメータ、コンテキスト長11.5Kについて紹介する。 既存のトレーニング済み時系列基盤モデルのスケーラビリティボトルネックを克服するため,シリアルスケーリングを3次元で実施する。
  論文  参考訳（メタデータ） (2026-03-05T04:13:57Z)
• Learning-based Radio Link Failure Prediction Based on Measurement Dataset in Railway Environments [46.243901410461596]
  CNN、LSTM、XGBoost、Anomaly Transformer、PatchTST、TimesNetの6つのモデルをベンチマークする。 その結果,商用デバイスで利用可能な軽量機能を用いて,信頼性の低下を事前に予測できることが示唆された。
  論文  参考訳（メタデータ） (2025-11-12T00:13:37Z)
• ATTS: Asynchronous Test-Time Scaling via Conformal Prediction [112.54016379556073]
  大規模な言語モデル(LLM)は、テスト時のスケーリングの恩恵を受けるが、しばしば高い推論遅延によって妨げられる。 統計的に保証された適応スケーリングフレームワークであるATTS(Asynchronous Test-Time Scaling)を紹介する。 ATTSは、テストタイムのスケーリングにおいて最大56.7倍のスピードアップと4.14倍のスループット向上を実現している。
  論文  参考訳（メタデータ） (2025-09-18T16:55:09Z)
• Benchmarking Federated Learning for Throughput Prediction in 5G Live Streaming Applications [5.026196568145574]
  本稿では,現実的な5Gエッジシナリオにおけるスループット予測のためのフェデレーション学習戦略の総合的なベンチマークを行う。 FedBNは、非IID条件下で一貫してロバストな性能を提供する。 LSTMとTransformerモデルは、CNNベースのベースラインを最大80%のR2スコアで上回る。
  論文  参考訳（メタデータ） (2025-08-11T21:27:40Z)
• 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)
• 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)

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。