論文の概要: IMRouter: Imbalance-aware Temporal Pattern Routing for LLM-based Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.39246v1
• Date: Thu, 29 Oct 2026 03:00:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.451021
• Title: IMRouter: Imbalance-aware Temporal Pattern Routing for LLM-based Time Series Forecasting
• Title（参考訳）: IMRouter:LLMによる時系列予測のための不均衡を考慮した時間パターンルーティング
• Abstract要約: トラフィック監視やオンラインリソース管理など,Webアプリケーションには時系列予測(TSF)が不可欠である。 事前訓練された大規模言語モデル(LLM)の最近の進歩は、TSFにおける有望な性能を示している。 既存のTSF手法は、時間的パターン不均衡(TPI)を克服しつつ、全体の予測目標を最適化する。
• 参考スコア（独自算出の注目度）: 28.383773118579715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate time series forecasting (TSF) is essential for Web applications, such as traffic monitoring and online resource management. Recent advances in leveraging pre-trained large language models (LLMs) have shown promising performance in TSF. However, existing LLM-based TSF methods largely optimize the overall forecasting objective while overlooking temporal pattern imbalance (TPI), where different temporal patterns occur at highly unequal frequencies. Our empirical analysis reveals that TPI is prevalent across widely used TSF benchmarks, with substantially higher forecasting errors on less frequent patterns. To address this issue, we propose IMRouter (Imbalance-aware Temporal Pattern Routing), a novel framework that mitigates TPI-induced biases in both temporal representation learning and cross-modal alignment. Specifically, IMRouter introduces Pattern-Adaptive Temporal Representation Learning (PATR), which leverages gradient conflict and local gradient density to guide expert specialization. By penalizing incompatible expert assignments with density-aware weighting, PATR reduces the dominance of frequent optimization signals in router training. Furthermore, Routing-Guided Semantic Alignment (RGSA) transfers the pattern-specific knowledge learned by the router to cross-modal alignment through mutual information maximization, preserving distinctive temporal information across different patterns. Extensive experiments on benchmark datasets demonstrate the effectiveness of IMRouter, particularly in improving forecasting performance on less frequent temporal patterns.
• Abstract（参考訳）: トラフィック監視やオンラインリソース管理などのWebアプリケーションには,正確な時系列予測(TSF)が不可欠である。 事前訓練された大規模言語モデル(LLM)の最近の進歩は、TSFにおける有望な性能を示している。 しかし、従来のLCMベースのTSF手法は、時間的パターンの不均衡(TPI)を見越しながら、時間的パターンが高度に不平等な周波数で発生するような全体の予測目標を最適化する。 我々の経験的分析によると、TPIは広く使われているTSFベンチマークで広く使われており、少ない頻度のパターンで予測エラーがかなり高い。 この問題に対処するため,時間的表現学習とモーダルアライメントの両方において,TPIによるバイアスを軽減する新しいフレームワークであるIMRouter(Im Balance-aware Temporal Pattern Routing)を提案する。 特に、IMRouterはパターン適応型時間表現学習(PATR: Pattern-Adaptive Temporal Representation Learning)を導入している。 密度認識重み付けによる非互換な専門家の割り当てをペナライズすることにより、PATRはルータトレーニングにおける頻繁な最適化信号の優位性を低下させる。 さらに、ルーティング誘導セマンティックアライメント(RGSA)は、ルータから学んだパターン固有の知識を相互情報の最大化を通じて相互にモーダルアライメントし、異なるパターンにまたがる固有の時間情報を保存する。 ベンチマークデータセットの大規模な実験は、特に頻度の低い時間パターンに対する予測性能の改善において、IMRouterの有効性を示す。

関連論文リスト

• TRaM-VSR: Importance-Aware Token Routing and Merging for One-Step Diffusion Video Super-Resolution [52.96050253456634]
  TRaM-VSRは、コンテキスト対応のビデオプリエントとネットワークレベルを用いた適応トークンアロケーションのためのフレームワークである。 その結果、TRaM-VSRは、最先端の復元品質と頑健な時間的整合性を維持しつつ、推論を著しく加速することがわかった。
  論文  参考訳（メタデータ） (2026-07-24T11:57:26Z)
• TimeRouter: Efficient and Adaptive Routing of Time-Series Foundation Models [23.365666262449448]
  時系列基礎モデル (TSFM) はエージェント時系列システム内の予測専門家として研究されている。 予測体制全体で一貫して支配的なモデルが存在しないため、専門家の選択が重要な課題となっている。 我々は、事前訓練されたTSFMのプールにまたがる経験的相補性を活用する効率的なルーティングフレームワークであるTimeを提案する。
  論文  参考訳（メタデータ） (2026-06-10T03:39:49Z)
• GIRL-DETR: Gradient-Isolated Reinforcement Learning for Video Moment Retrieval [10.034595422596562]
  ビデオモーメント検索(VMR)タスクは、自然言語クエリに沿った時間境界を正確にローカライズする必要がある。 GIRL-DETRは、RLポストトレーニングを、初めて軽量な時間的ローカライゼーションフレームワークに導入する。
  論文  参考訳（メタデータ） (2026-05-30T15:40:00Z)
• Reasoning-Aware Training for Time Series Forecasting [44.62309170542093]
  Time Series Foundation Models (TSFMs) は数値予測では優れているが、定性的推論を欠いたブラックボックスとして運用されている。 テキストトークンライザは連続した数値を断片化し、数学的関係を劣化させ、配列の長さを爆発させる。 STRIDE (Strategic Time-Series Reasoning Injected by Distilled Embeddings) について紹介する。 STRIDEは離散トークンの代わりに、トレースの推論を軽量のLCMに蒸留し、ターゲットの数値エンコーダに先立って平均プールされた隠された状態をクロスモーダルとして動的に投影する。
  論文  参考訳（メタデータ） (2026-05-09T02:41:47Z)
• TRACE: Traceroute-based Internet Route change Analysis with Ensemble Learning [0.046603287532620725]
  本研究では,トレースルート遅延データのみを用いて経路変更を識別するマシンラーニングピペリンであるTRACEを紹介する。 転がり統計と集約されたコンテキストパターンを用いて時間的ダイナミクスをキャプチャする,ロバストな機能エンジニアリング戦略を提案する。
  論文  参考訳（メタデータ） (2026-03-21T13:02:16Z)
• Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
  マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。 AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。 5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-03-13T12:26:05Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)

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。