論文の概要: Temporal horizons in forecasting: a performance-learnability trade-off
- arxiv url: http://arxiv.org/abs/2506.03889v2
- Date: Thu, 19 Jun 2025 07:30:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-23 14:57:52.195161
- Title: Temporal horizons in forecasting: a performance-learnability trade-off
- Title（参考訳）: 予測における時間的地平線--性能学習のトレードオフ
- Authors: Pau Vilimelis Aceituno, Jack William Miller, Noah Marti, Youssef Farag, Victor Boussange,
- Abstract要約: 地平線が短すぎると長期的な傾向を見逃しかねないが、地平線は予測誤差の蓄積によって収束を妨げる。
カオスシステムでは、損失ランドスケープの粗さはトレーニングの地平線とともに指数関数的に増大する。
また,長い地平線でトレーニングしたモデルは短期的な予測によく当てはまるが,短い地平線でトレーニングしたモデルはカオス(周期的)システムにおいて指数関数的に(線形的に)悪い長期的な予測に苦しむ。
- 参考スコア（独自算出の注目度）: 1.564538938595125
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When training autoregressive models to forecast dynamical systems, a critical question arises: how far into the future should the model be trained to predict? Too short a horizon may miss long-term trends, while too long a horizon can impede convergence due to accumulating prediction errors. In this work, we formalize this trade-off by analyzing how the geometry of the loss landscape depends on the training horizon. We prove that for chaotic systems, the loss landscape's roughness grows exponentially with the training horizon, while for limit cycles, it grows linearly, making long-horizon training inherently challenging. However, we also show that models trained on long horizons generalize well to short-term forecasts, whereas those trained on short horizons suffer exponentially (resp. linearly) worse long-term predictions in chaotic (resp. periodic) systems. We validate our theory through numerical experiments and discuss practical implications for selecting training horizons. Our results provide a principled foundation for hyperparameter optimization in autoregressive forecasting models.
- Abstract（参考訳）: 動的システムを予測するために自己回帰モデルをトレーニングする場合、重要な問題が発生する。
地平線が短すぎると長期的な傾向を見逃しかねないが、地平線は予測誤差の蓄積によって収束を妨げる。
本研究では、このトレードオフを、損失ランドスケープの幾何学がトレーニングの地平線にどのように依存するかを解析することによって定式化する。
カオスシステムでは、損失ランドスケープの粗さはトレーニング水平線とともに指数関数的に増大する一方、制限サイクルでは線形的に成長し、長期訓練は本質的に困難であることを示す。
しかし,長い地平線で訓練したモデルは短期的な予測によく当てはまるが,短い地平線で訓練したモデルはカオス(周期的)システムにおいて指数関数的に(線形的に)悪い長期予測に苦しむ。
数値実験により本理論を検証し,訓練地平線選択の実践的意義について考察する。
この結果は,自己回帰予測モデルにおけるハイパーパラメータ最適化の基礎となる。
関連論文リスト
- Temporal Difference Flows [82.24174052059352]
Geometric Horizon Models (GHMs) は、将来の状態を直接予測することで、魅力的な代替手段を提供する。
既存の手法は、列車時のブートストラップ予測や、長い地平線で高品質な予測を生成するのに苦慮している。
本稿では,従来の手法の水平長の5倍以上の精度で正確なGHMを学習するために,確率経路上の新しいベルマン方程式の構造を利用した時間差流(TD-Flow)を提案する。
論文 参考訳（メタデータ） (2025-03-12T20:30:07Z) - A probabilistic framework for learning non-intrusive corrections to long-time climate simulations from short-time training data [12.566163525039558]
本稿では,カオスシステムの非侵襲的に解けない長期シミュレーションにニューラルネットワークモデルをトレーニングするための戦略を提案する。
トレーニングで見られるデータより30倍以上長い時間的地平線上での異方性統計を正確に予測する能力を示す。
論文 参考訳（メタデータ） (2024-08-02T18:34:30Z) - Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-14T18:20:44Z) - A Novel Hyperdimensional Computing Framework for Online Time Series
Forecasting on the Edge [1.4255659581428337]
オフラインのディープラーニング予測モデルは、時系列データの変化に効果的に適応できない。
オンラインの深層予測モデルは高価であり、複雑な訓練手順を持つことが多い。
本稿では,オンライン非線形時系列予測問題を線形超次元時系列予測の1つとして再構成する。
論文 参考訳（メタデータ） (2024-02-03T02:42:53Z) - ProbTS: Benchmarking Point and Distributional Forecasting across Diverse Prediction Horizons [23.9530536685668]
本稿では,基本的な予測ニーズを評価するための統一プラットフォームとして設計されたベンチマークツールであるProbTSを紹介する。
異なる予測条件から生じる特徴的データの特徴を識別する。
本稿では, 時系列予測の最新モデルについて検討し, 方法論的強度と弱点の分析も適用可能であることを明らかにする。
論文 参考訳（メタデータ） (2023-10-11T12:48:45Z) - Performative Time-Series Forecasting [64.03865043422597]
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) - Distilling Knowledge for Short-to-Long Term Trajectory Prediction [9.626916225081613]
長期軌道予測はコンピュータビジョン、機械学習、ロボット工学の分野において重要な問題である。
本稿では,学生ネットワークに長期軌跡予測を誘導する短期軌跡モデル予測器の蒸留を利用する新しい手法であるDi-Longを提案する。
実験の結果,提案手法は長期予測に有効であり,最先端の性能を実現することができることがわかった。
論文 参考訳（メタデータ） (2023-05-15T11:30:28Z) - WaveBound: Dynamic Error Bounds for Stable Time Series Forecasting [30.692056599222926]
時系列予測は、現実の応用において高い実用性のために重要な課題となっている。
最近のディープラーニングベースのアプローチは、時系列予測において顕著な成功を収めている。
深層ネットワークはいまだに不安定なトレーニングと過度な適合に悩まされている。
論文 参考訳（メタデータ） (2022-10-25T19:58:02Z) - Deep Probabilistic Koopman: Long-term time-series forecasting under
periodic uncertainties [7.305019142196582]
我々は、時間変化の分布を特徴付ける驚くほど単純なアプローチを導入し、将来への数千のタイムステップを合理的に正確に予測することを可能にする。
この手法はDeep Probabilistic Koopman (DPK) と呼ばれ、線形クープマン作用素理論の最近の進歩に基づいている。
本稿では,電力需要予測,大気化学,神経科学などの領域において,これらのモデルの長期予測性能を示す。
論文 参考訳（メタデータ） (2021-06-10T20:22:41Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。
我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。
また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
論文 参考訳（メタデータ） (2020-12-02T21:01:29Z) - 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。