論文の概要: Learning Temporal Dynamics with Derivative Representations for Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2611.16514v1
- Date: Thu, 12 Nov 2026 09:12:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.409291
- Title: Learning Temporal Dynamics with Derivative Representations for Time Series Forecasting
- Title(参考訳): 時系列予測のための微分表現を用いた時間ダイナミクスの学習
- Abstract要約: 時系列予測は、複雑なシステムの将来の進化を予測することを目的としている。
特にトランスフォーマーは、システムダイナミクスの時間的進化を捉えるのに苦戦している。
本稿では,時系列の離散微分表現に基づく動的に認識される予測フレームワークDeltaTSFを紹介する。
- 参考スコア(独自算出の注目度): 6.752236239080001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series forecasting aims to predict the future evolution of complex systems by learning their underlying dynamics from past observations. Despite recent advances in deep learning, Transformers in particular still struggle to capture the temporal evolution of system dynamics. Existing approaches have been largely driven by architectural innovation, with comparatively little attention paid to training strategies that explicitly exploit the temporal structure governing system dynamics. In this work, we introduce DeltaTSF, a dynamics-aware forecasting framework based on discrete derivative representations of time series. Specifically, DeltaTSF jointly learns the series and their discrete temporal derivatives across both input and forecast horizons within a unified, model-agnostic framework. By coupling these representations over time, the model is encouraged to maintain temporal consistency, a property we show to induce a form of discrete Taylor consistency during training. This formulation enables the model to better reflect the underlying system dynamics, resulting in more stable and physically coherent forecasts. Notably, DeltaTSF does not require explicit derivative computation and introduces no additional computational overhead at inference time. Extensive experiments across diverse benchmarks and backbone architectures demonstrate that DeltaTSF consistently improves forecasting performance and yields more dynamically coherent predictions than strong SOTA methods. These results highlight the effectiveness of enforcing dynamic coherence through derivative representations as a model-agnostic paradigm that operates alongside and complements architectural design. Source code will be made publicly available upon acceptance.
- Abstract(参考訳): 時系列予測は、過去の観測から基礎となる力学を学習することで、複雑なシステムの将来の進化を予測することを目的としている。
近年のディープラーニングの進歩にもかかわらず、トランスフォーマーはシステムダイナミクスの時間的進化を捉えるのに苦戦している。
既存のアプローチは、主にアーキテクチャの革新によって推進されており、時間構造制御システムのダイナミクスを明示的に活用するトレーニング戦略に、比較的注意を払っていない。
本稿では,時系列の離散微分表現に基づく動的に認識される予測フレームワークDeltaTSFを紹介する。
具体的には、DeltaTSFは、統合されたモデルに依存しないフレームワークの中で、入力と予測水平線の両方にわたって、シリーズとその離散時間微分を共同で学習する。
これらの表現を時間をかけて結合することにより、モデルは時間的一貫性を維持することが奨励される。
この定式化により、モデルは基礎となるシステムのダイナミクスをよりよく反映することができ、より安定で物理的に一貫性のある予測をもたらす。
特に、DeltaTSFは明示的な微分計算を必要とせず、推論時に追加の計算オーバーヘッドを導入しない。
多様なベンチマークやバックボーンアーキテクチャにわたる大規模な実験により、DeltaTSFは予測性能を一貫して改善し、強力なSOTA法よりも動的に一貫性のある予測をもたらすことが示された。
これらの結果は、モデルに依存しないパラダイムとして、デリバティブ表現を通して動的コヒーレンスを強制し、アーキテクチャ設計を補完する効果を強調している。
ソースコードは受理時に公開されます。
関連論文リスト
- Test-Time Forecasting: Recurrent Depth Enables In-Context Dynamics Prediction [3.8551402560229806]
ループ変換器は動的システムのコンテキスト内におけるプロパゲータをエミュレートできることを示す。
次に、この洞察を、一段階の予測器が繰り返しの深さとして勾配降下の反復を利用する、$textitTest-Time Forecasting$ frameworkに一般化します。
論文 参考訳(メタデータ) (2026-10-14T04:08:44Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳(メタデータ) (2026-05-11T09:54:02Z) - Latent Matters: Learning Deep State-Space Models [6.489119428188]
深部状態空間モデル(DSSM)は、観測されたシーケンスデータの基盤となるダイナミクスを学習することで、時間的予測を可能にする。
DSSMのトレーニングのための一般的なアプローチとして,制約付き最適化フレームワークを提案する。
RNNベースのDSSMよりも高精度に力学をモデル化するために、補正された変分推論と古典的ベイズフィルタリング/平滑化を組み合わせた拡張Kalman VAE(EKVAE)を導入する。
論文 参考訳(メタデータ) (2026-02-26T14:35:45Z) - EIDOS: Latent-Space Predictive Learning for Time Series Foundation Models [37.917978019436674]
EIDOSは、将来の価値予測から潜在空間予測学習に移行する基礎モデルファミリーである。
我々は、潜伏表現の進化を予測するために因果変換器を訓練し、構造化および時間的に整合した潜伏状態の出現を促す。
論文 参考訳(メタデータ) (2026-02-15T07:07:20Z) - Koopman Autoencoders with Continuous-Time Latent Dynamics for Fluid Dynamics Forecasting [17.98687936773676]
数値積分スキームによる潜伏進化をモデル化する連続時間クープマンフレームワークを導入する。
推論における可変時間ステップを許容することにより、時間分解能に対する堅牢性を示し、訓練体制を超えて一般化する。
従来のCFDベンチマークのアプローチを評価し,精度,安定性,外挿特性について報告する。
論文 参考訳(メタデータ) (2026-02-02T21:33:07Z) - Transformer with Koopman-Enhanced Graph Convolutional Network for Spatiotemporal Dynamics Forecasting [12.301897782320967]
TK-GCNは、幾何学的空間符号化と長距離時間モデリングを統合した2段階のフレームワークである。
我々は,TK-GCNが予測地平線全体にわたって優れた予測精度を提供することを示す。
論文 参考訳(メタデータ) (2025-07-05T01:26:03Z) - Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。
科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンス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) (2025-03-02T16:10:32Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳(メタデータ) (2024-02-26T04:39:01Z) - Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。
本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-02-18T05:35:01Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z)
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。