Buchumschlag

IConv: Focusing on Local Variation with Channel Independent Convolution for Multivariate Time Series Forecasting

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lee, Gawon, Park, Hanbyeol, Kim, Minseop, Kim, Dohee, Bae, Hyerim
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

ACFormer: Mitigating Non-linearity with Auto Convolutional Encoder for Time Series Forecasting
von: Lee, Gawon, et al.
Veröffentlicht: (2026)

Domain-Adaptive Health Indicator Learning with Degradation-Stage Synchronized Sampling and Cross-Domain Autoencoder
von: Choo, Jungho, et al.
Veröffentlicht: (2026)

JustDense: Just using Dense instead of Sequence Mixer for Time Series analysis
von: Park, TaekHyun, et al.
Veröffentlicht: (2025)

LoopUS: Recasting Pretrained LLMs into Looped Latent Refinement Models
von: Park, Taekhyun, et al.
Veröffentlicht: (2026)

Correlation recurrent units: A novel neural architecture for improving the predictive performance of time-series data
von: Sim, Sunghyun, et al.
Veröffentlicht: (2022)

FEATHer: Fourier-Efficient Adaptive Temporal Hierarchy Forecaster for Time-Series Forecasting
von: Lee, Jaehoon, et al.
Veröffentlicht: (2026)

LAST-RAG: Literature-Anchored Stochastic Trajectory Retrieval-Augmented Generation for Knowledge-Conditioned Degradation Model Selection
von: Park, Hanbyeol, et al.
Veröffentlicht: (2026)

CSformer: Combining Channel Independence and Mixing for Robust Multivariate Time Series Forecasting
von: Wang, Haoxin, et al.
Veröffentlicht: (2023)

Dataset-Driven Channel Masks in Transformers for Multivariate Time Series
von: Lee, Seunghan, et al.
Veröffentlicht: (2024)

Are Self-Attentions Effective for Time Series Forecasting?
von: Kim, Dongbin, et al.
Veröffentlicht: (2024)

Enhancing Channel-Independent Time Series Forecasting via Cross-Variate Patch Embedding
von: Shin, Donghwa, et al.
Veröffentlicht: (2025)

Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting
von: Luo, Yuchen, et al.
Veröffentlicht: (2025)

Locally Convex Global Loss Network for Decision-Focused Learning
von: Jeon, Haeun, et al.
Veröffentlicht: (2024)

Towards Robust Real-World Multivariate Time Series Forecasting: A Unified Framework for Dependency, Asynchrony, and Missingness
von: Jang, Jinkwan, et al.
Veröffentlicht: (2025)

Generative AI and Machine Learning Collaboration for Container Dwell Time Prediction via Data Standardization
von: Kim, Minseop, et al.
Veröffentlicht: (2026)

Distributed Lag Transformer based on Time-Variable-Aware Learning for Explainable Multivariate Time Series Forecasting
von: Kim, Younghwi, et al.
Veröffentlicht: (2024)

A Scalable and Transferable Time Series Prediction Framework for Demand Forecasting
von: Park, Young-Jin, et al.
Veröffentlicht: (2024)

Considering Nonstationary within Multivariate Time Series with Variational Hierarchical Transformer for Forecasting
von: Wang, Muyao, et al.
Veröffentlicht: (2024)

Channel Normalization for Time Series Channel Identification
von: Lee, Seunghan, et al.
Veröffentlicht: (2025)

MoDEx: Mixture of Depth-specific Experts for Multivariate Long-term Time Series Forecasting
von: Yoon, Hyekyung, et al.
Veröffentlicht: (2026)

Learning to Embed Time Series Patches Independently
von: Lee, Seunghan, et al.
Veröffentlicht: (2023)

TiVaT: A Transformer with a Single Unified Mechanism for Capturing Asynchronous Dependencies in Multivariate Time Series Forecasting
von: Ha, Junwoo, et al.
Veröffentlicht: (2024)

Adaptive Information Routing for Multimodal Time Series Forecasting
von: Seo, Jun, et al.
Veröffentlicht: (2025)

ReFocus: Reinforcing Mid-Frequency and Key-Frequency Modeling for Multivariate Time Series Forecasting
von: Yu, Guoqi, et al.
Veröffentlicht: (2025)

When Will It Fail?: Anomaly to Prompt for Forecasting Future Anomalies in Time Series
von: Park, Min-Yeong, et al.
Veröffentlicht: (2025)

Rethinking Channel Dependence for Multivariate Time Series Forecasting: Learning from Leading Indicators
von: Zhao, Lifan, et al.
Veröffentlicht: (2024)

VLBM: Variational Latent Basis Modeling for OOD Robust Multivariate Time Series Forecasting
von: Zhang, Xudong, et al.
Veröffentlicht: (2026)

Continuous-Time Linear Positional Embedding for Irregular Time Series Forecasting
von: Kim, Byunghyun, et al.
Veröffentlicht: (2024)

Nearest Neighbor Multivariate Time Series Forecasting
von: Zhang, Huiliang, et al.
Veröffentlicht: (2025)

Revisiting Attention for Multivariate Time Series Forecasting
von: Wu, Haixiang
Veröffentlicht: (2024)

Are KANs Effective for Multivariate Time Series Forecasting?
von: Han, Xiao, et al.
Veröffentlicht: (2024)

Causal Disentanglement Learning for Accurate Anomaly Detection in Multivariate Time Series
von: Kim, Wonah, et al.
Veröffentlicht: (2025)

SCFormer: Structured Channel-wise Transformer with Cumulative Historical State for Multivariate Time Series Forecasting
von: Guo, Shiwei, et al.
Veröffentlicht: (2025)

Causality-Aware Contrastive Learning for Robust Multivariate Time-Series Anomaly Detection
von: Kim, HyunGi, et al.
Veröffentlicht: (2025)

HTMformer: Hybrid Time and Multivariate Transformer for Time Series Forecasting
von: Wang, Tan, et al.
Veröffentlicht: (2025)

Revisiting Multivariate Time Series Forecasting with Missing Values
von: Yang, Jie, et al.
Veröffentlicht: (2025)

Deep Coupling Network For Multivariate Time Series Forecasting
von: Yi, Kun, et al.
Veröffentlicht: (2024)

A Comprehensive Survey of Deep Learning for Time Series Forecasting: Architectural Diversity and Open Challenges
von: Kim, Jongseon, et al.
Veröffentlicht: (2024)

Sequential Order-Robust Mamba for Time Series Forecasting
von: Lee, Seunghan, et al.
Veröffentlicht: (2024)

TimePFN: Effective Multivariate Time Series Forecasting with Synthetic Data
von: Taga, Ege Onur, et al.
Veröffentlicht: (2025)