論文の概要: A Set-Sequence Model for Time Series

• arxiv url: http://arxiv.org/abs/2505.11243v2
• Date: Mon, 13 Oct 2025 17:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:31.962133
• Title: A Set-Sequence Model for Time Series
• Title（参考訳）: 時系列のセットシーケンスモデル
• Authors: Elliot L. Epstein, Apaar Sadhwani, Kay Giesecke,
• Abstract要約: 本研究では,横断構造を直接学習し,表現性を向上し,手動の特徴工学を除去するモデルであるSet-Sequenceを提案する。 それぞれのステップで、置換不変のSetモジュールはユニットセットを要約し、Sequenceモジュールはその特徴と学習された要約の両方で条件付けられた各ユニットのダイナミクスをモデル化する。 合成感染タスクと2つの大規模な実世界のアプリケーションの中で、Set-Sequenceは強いベースラインを著しく上回り、シャープ比を高くし、AUCを改善し、解釈可能な断続サマリーを提供する。
• 参考スコア（独自算出の注目度）: 0.3823356975862005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many prediction problems across science and engineering, especially in finance and economics, involve large cross-sections of individual time series, where each unit (e.g., a loan, stock, or customer) is driven by unit-level features and latent cross-sectional dynamics. While sequence models have advanced per-unit temporal prediction, capturing cross-sectional effects often still relies on hand-crafted summary features. We propose Set-Sequence, a model that learns cross-sectional structure directly, enhancing expressivity and eliminating manual feature engineering. At each time step, a permutation-invariant Set module summarizes the unit set; a Sequence module then models each unit's dynamics conditioned on both its features and the learned summary. The architecture accommodates unaligned series, supports varying numbers of units at inference, integrates with standard sequence backbones (e.g., Transformers), and scales linearly in cross-sectional size. Across a synthetic contagion task and two large-scale real-world applications, equity portfolio optimization and loan risk prediction, Set-Sequence significantly outperforms strong baselines, delivering higher Sharpe ratios, improved AUCs, and interpretable cross-sectional summaries.
• Abstract（参考訳）: 科学と工学、特に金融と経済学における多くの予測問題は、個々の単位(融資、株式、顧客など)がユニットレベルの特徴と潜在横断力学によって駆動される、個々の時系列の大規模な断面積を含む。 シーケンスモデルは単位単位毎の時間予測が進んでいるが、断面効果のキャプチャは手作りの要約機能に依存していることが多い。 本研究では,横断構造を直接学習し,表現性を向上し,手動の特徴工学を除去するモデルであるSet-Sequenceを提案する。 それぞれのステップにおいて、置換不変のSetモジュールはユニットセットを要約し、Sequenceモジュールはその特徴と学習された要約の両方で条件付けられた各ユニットのダイナミクスをモデル化する。 このアーキテクチャは、不整列に対応し、推論時に様々な数のユニットをサポートし、標準的なシーケンスバックボーン(例えば、トランスフォーマー)と統合し、断面サイズで線形にスケールする。 総合的感染タスクと2つの大規模な実世界のアプリケーション、株式ポートフォリオの最適化とローンリスク予測において、Set-Sequenceは強力なベースラインを著しく上回り、シャープ比を高くし、AUCを改善し、解釈可能な断続的な要約を提供する。

関連論文リスト

• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• An End-to-End Time Series Model for Simultaneous Imputation and Forecast [14.756607742477252]
  我々は,推論関係を学習し,複数段階の予測を行うために,エンドツーエンドの時系列モデルを開発する。 我々のフレームワークは2つのニューラルネットワークを共同でトレーニングし、1つは特徴量相関を学習し、もう1つは時間的行動のモデリングを学習する。
  論文  参考訳（メタデータ） (2023-06-01T15:08:22Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Two-level monotonic multistage recommender systems [5.983189537988243]
  パーソナライズされた予測のためのイベントのモノトニック連鎖を特徴付ける2レベルモノトニック特性 ユーザ固有の振る舞いを異なる段階で学習するための正規化コスト関数。 ブロックワイズ座標降下に基づくアルゴリズム
  論文  参考訳（メタデータ） (2021-10-06T08:50:32Z)
• Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
  シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。 MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。 MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2021-02-23T05:23:35Z)
• Bayesian Feature Selection in Joint Quantile Time Series Analysis [1.2419096638953384]
  本研究では,高次元結合量子時系列解析における特徴選択のための一般ベイズ次元削減手法を提案する。 QFSTSモデルは一般的な構造時系列モデルであり、各コンポーネントは時系列モデリングに付加的な寄与をもたらす。 QFSTSモデルは、特徴選択、パラメータ推定、予測において優れた性能を有する。
  論文  参考訳（メタデータ） (2020-10-04T18:56:34Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• A Deep Structural Model for Analyzing Correlated Multivariate Time Series [11.009809732645888]
  相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。 モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。 我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
  論文  参考訳（メタデータ） (2020-01-02T18:48:29Z)

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。