論文の概要: Improving Time Series Forecasting via Instance-aware Post-hoc Revision

• arxiv url: http://arxiv.org/abs/2505.23583v1
• Date: Thu, 29 May 2025 15:56:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.959527
• Title: Improving Time Series Forecasting via Instance-aware Post-hoc Revision
• Title（参考訳）: インスタンス対応ポストホックリビジョンによる時系列予測の改善
• Authors: Zhiding Liu, Mingyue Cheng, Guanhao Zhao, Jiqian Yang, Qi Liu, Enhong Chen,
• Abstract要約: 時系列予測は、様々な現実世界の応用において重要な役割を果たす。 近年の手法は、先進的帰納バイアスとトレーニング戦略を取り入れることで、顕著な精度を実現している。 本稿では,予測性能を向上させるためのモデルに依存しないフレームワークであるPIRを提案する。
• 参考スコア（独自算出の注目度）: 44.90322487625981
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting plays a vital role in various real-world applications and has attracted significant attention in recent decades. While recent methods have achieved remarkable accuracy by incorporating advanced inductive biases and training strategies, we observe that instance-level variations remain a significant challenge. These variations--stemming from distribution shifts, missing data, and long-tail patterns--often lead to suboptimal forecasts for specific instances, even when overall performance appears strong. To address this issue, we propose a model-agnostic framework, PIR, designed to enhance forecasting performance through Post-forecasting Identification and Revision. Specifically, PIR first identifies biased forecasting instances by estimating their accuracy. Based on this, the framework revises the forecasts using contextual information, including covariates and historical time series, from both local and global perspectives in a post-processing fashion. Extensive experiments on real-world datasets with mainstream forecasting models demonstrate that PIR effectively mitigates instance-level errors and significantly improves forecasting reliability.
• Abstract（参考訳）: 時系列予測は様々な現実世界の応用において重要な役割を担い、ここ数十年で大きな注目を集めている。 最近の手法では、先進的な帰納バイアスとトレーニング戦略を取り入れることで、顕著な精度が達成されているが、インスタンスレベルの変動は依然として大きな課題である。 これらのバリエーションは、分散シフト、欠落したデータ、ロングテールパターンから考えることで、全体的なパフォーマンスが強いとしても、多くの場合、特定のインスタンスに対する最適下限の予測につながります。 そこで本研究では,予測性能の向上を目的としたモデルに依存しないフレームワークであるPIRを提案する。 具体的には、PIRはまず、その精度を推定することでバイアス付き予測インスタンスを識別する。 これに基づいて、このフレームワークは、局所的およびグローバル的視点から、共変量や時系列を含む文脈情報を用いて、ポストプロセッシング方式で予測を改訂する。 主流の予測モデルを用いた実世界のデータセットに対する大規模な実験により、PIRはインスタンスレベルのエラーを効果的に軽減し、予測信頼性を大幅に改善することを示した。

関連論文リスト

• Deconfounding Time Series Forecasting [1.5967186772129907]
  時系列予測は様々な領域において重要な課題であり、正確な予測は情報的な意思決定を促進する。 従来の予測手法は、しばしば将来の結果を予測するために変数の現在の観測に依存している。 本稿では,過去のデータから得られた潜在的共同設立者の表現を取り入れた予測手法を提案する。
  論文  参考訳（メタデータ） (2024-10-27T12:45:42Z)
• Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
  本稿では,予測符号化にインスパイアされた動的フィードバック機構を通じて時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。 本手法は2つのモデルから構成される: 重要事象を識別するために将来のデータを解析する検出モデルと、これらの事象を現在のデータに基づいて予測する予測モデルである。 脳波データを用いた発作予測ではAUC-ROCが44.8%増加し,非線形力学系ではMSEが48.7%減少した。
  論文  参考訳（メタデータ） (2024-10-19T21:22:55Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Meta-Forecasting by combining Global DeepRepresentations with Local Adaptation [12.747008878068314]
  メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。 それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。 本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
  論文  参考訳（メタデータ） (2021-11-05T11:45:02Z)

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。