論文の概要: STeP-TS: Shared Temporal Filters with Pruning for Time Series

• arxiv url: http://arxiv.org/abs/2610.35128v1
• Date: Mon, 26 Oct 2026 10:02:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.820354
• Title: STeP-TS: Shared Temporal Filters with Pruning for Time Series
• Title（参考訳）: STeP-TS:時系列処理を伴う時間フィルタの共有化
• Abstract要約: 本稿では,各変数の多スケール時間フィルタの共有バンクを学習する,コンパクトな一層畳み込みフレームワークを提案する。 複数のデータセットの実験では、最先端の手法と競合する予測性能が示されている。
• 参考スコア（独自算出の注目度）: 4.502822129858053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series forecasting requires capturing temporal dependencies across multiple scales while accounting for both shared and variable-specific dynamics. Compact forecasting models have emerged as an attractive alternative to increasingly large architectures, but preserving strong predictive performance within tight computational and memory budgets remains challenging. We propose a compact one-layer convolutional framework that learns a shared bank of multi-scale temporal filters of each variable. Lightweight variable-specific scalar weights determine the contribution of each temporal component, enabling the model to capture shared temporal structure while adapting to variable-specific dynamics. The learned weights and filter-output energy further provide a natural signal for structured pruning of convolutional filters, reducing computational complexity with minimal degradation in forecasting performance. We additionally introduce an amplitude-adaptive normalization mechanism that preserves variable-dependent temporal amplitudes. Experiments on multiple datasets demonstrate forecasting performance competitive with state-of-the-art methods while requiring substantially fewer parameters and inference FLOPs and achieving low per-sample latency.
• Abstract（参考訳）: 多変量時系列予測では、複数のスケールにわたる時間的依存関係をキャプチャし、共有と変数固有のダイナミクスの両方を考慮する必要がある。 コンパクトな予測モデルは、ますます大規模なアーキテクチャに代わる魅力的な選択肢として現れてきたが、厳密な計算とメモリの予算内で強力な予測性能を維持することは、依然として困難である。 本稿では,各変数の多スケール時間フィルタの共有バンクを学習する,コンパクトな一層畳み込みフレームワークを提案する。 軽量な変数固有のスカラーウェイトは、各時間成分の寄与を決定づけ、モデルが変数固有のダイナミクスに適応しながら共有時間構造をキャプチャすることを可能にする。 学習した重みとフィルタ出力エネルギーはさらに、畳み込みフィルタの構造的プルーニングの自然な信号を提供し、予測性能の劣化を最小限に抑えて計算複雑性を低減させる。 さらに,変数依存時間振幅を保存する振幅適応正規化機構を導入する。 複数のデータセットの実験では、最先端のメソッドと競合する予測性能を示しながら、パラメータと推論FLOPを著しく少なくし、サンプル毎のレイテンシを低くする。

関連論文リスト

• Perceive, Route and Modulate: Dynamic Pattern Recalibration for Time Series Forecasting [68.53528085362642]
  現在の深い予測モデルは、すべての時間トークンに一様に適用される固定重み行列に依存している。 トークンレベルの再校正によってこれを解決するバックボーンに依存しないメカニズムであるDynamic Pattern Recalibrationを導入する。 DPRNetは12ベンチマークで競合性能を達成し、マクロパラメータスケーリングに対する動的リカバリを検証する。
  論文  参考訳（メタデータ） (2026-05-07T14:12:47Z)
• SPaRSe-TIME: Saliency-Projected Low-Rank Temporal Modeling for Efficient and Interpretable Time Series Prediction [0.0]
  SPaRSe-TIME(サイト・英語)は、時系列を分解して3つの相補的なコンポーネント(サリエンシ、メモリ、トレンド)にモデル化するフレームワークである。 多様な実世界のデータセットの実験は、SPaRSe-TIMEが競合性能を達成することを示した。 全体として、SPaRSe-TIMEは、モノリシックシーケンスモデルの原則的な代替、ブリッジ効率、解釈可能性、パフォーマンスを提供し、時系列学習のためのスケーラブルなフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-04-19T09:55:28Z)
• IPatch: A Multi-Resolution Transformer Architecture for Robust Time-Series Forecasting [1.00150464907602]
  IPatchは、ポイントワイドおよびパッチワイドトークンを統合し、複数の解像度で時間情報をモデル化するマルチレゾリューショントランスフォーマーアーキテクチャである。 7つのベンチマークデータセットの実験では、IPatchは予測精度、ノイズ、様々な予測地平線を越えた一般化を一貫して改善している。
  論文  参考訳（メタデータ） (2026-03-25T11:31:32Z)
• 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)
• Patch-Level Tokenization with CNN Encoders and Attention for Improved Transformer Time-Series Forecasting [0.0]
  本稿では,局所的時間的表現学習をグローバル依存モデルから分離する2段階予測フレームワークを提案する。 畳み込みニューラルネットワークは、固定長の時間的パッチで動作し、短距離時間的ダイナミクスと非線形特徴相互作用を抽出する。 その後、Transformerエンコーダがパッチ間の時間依存性をモデル化し、予測を生成する。
  論文  参考訳（メタデータ） (2026-01-18T16:16:01Z)
• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• Kairos: Towards Adaptive and Generalizable Time Series Foundation Models [27.076542021368056]
  時系列基礎モデル (TSFM) は時系列解析の強力なパラダイムとして登場してきた。 動的パッチトークンとインスタンス適応型位置埋め込みを統合した,柔軟なTSFMフレームワークであるKairosを提案する。 Kairosは2つの共通ゼロショットベンチマークのパラメータをはるかに少なくして、優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-09-30T06:02:26Z)
• UmambaTSF: A U-shaped Multi-Scale Long-Term Time Series Forecasting Method Using Mamba [7.594115034632109]
  本稿では,新しい時系列予測フレームワークであるUmambaTSFを提案する。 U字型エンコーダ・デコーダ多層パーセプトロン(MLP)のマルチスケール特徴抽出機能とMambaのロングシーケンス表現を統合する。 UmambaTSFは、広く使用されているベンチマークデータセットで最先端のパフォーマンスと優れた汎用性を達成する。
  論文  参考訳（メタデータ） (2024-10-15T04:56:43Z)
• 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。