TimeMosaic：適応的粒度パッチとセグメント毎デコーディングによる時間的異種性誘導時系列予測
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19406v1発表タイプ: クロス
要旨: 多変量時系列予測は、金融、交通、気候、エネルギーなどの分野において不可欠です。しかし、既存のパッチベースの手法は、一般的に固定長のセグメンテーションを採用しており、局所的な時間的ダイナミクスの不均一性と予測のデコーディングの不均一性を無視しています。このような設計では、情報密度の高い領域の詳細が失われ、安定したセグメントに冗長性が導入され、短期と長期のホライゾンの異なる複雑さを捉えることができません。本稿では、時間的異質性を解決することを目指す予測フレームワーク、TimeMosaicを提案します。TimeMosaicは、局所的な情報密度に応じて粒度を動的に調整する適応的パッチ埋め込みを採用し、時間的連続性を維持しながら、モチーフの再利用と構造的な明確さのバランスを取ります。さらに、各予測ホライゾンを関連するサブタスクとして扱うセグメントごとのデコーディングを導入し、単一の統一的なデコーダーを適用するのではなく、ホライゾン固有の難易度と情報要件に適応します。ベンチマークデータセットに関する広範な評価により、TimeMosaicが既存の手法に対して一貫した改善をもたらすことが示され、3210億件の観測値を持つ大規模コーパスで訓練された私たちのモデルは、最先端のTSFMと同等の性能を達成します。
原文（英語）を表示
Title (EN): TimeMosaic: Temporal Heterogeneity Guided Time Series Forecasting via Adaptive Granularity Patch and Segment-wise Decoding
arXiv:2509.19406v1 Announce Type: cross
Abstract: Multivariate time series forecasting is essential in domains such as finance, transportation, climate, and energy. However, existing patch-based methods typically adopt fixed-length segmentation, overlooking the heterogeneity of local temporal dynamics and the decoding heterogeneity of forecasting. Such designs lose details in information-dense regions, introduce redundancy in stable segments, and fail to capture the distinct complexities of short-term and long-term horizons. We propose TimeMosaic, a forecasting framework that aims to address temporal heterogeneity. TimeMosaic employs adaptive patch embedding to dynamically adjust granularity according to local information density, balancing motif reuse with structural clarity while preserving temporal continuity. In addition, it introduces segment-wise decoding that treats each prediction horizon as a related subtask and adapts to horizon-specific difficulty and information requirements, rather than applying a single uniform decoder. Extensive evaluations on benchmark datasets demonstrate that TimeMosaic delivers consistent improvements over existing methods, and our model trained on the large-scale corpus with 321 billion observations achieves performance competitive with state-of-the-art TSFMs.
Published: 2025-09-24 19:00 UTC