論文の概要: Bridging Past and Future: Distribution-Aware Alignment for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2509.14181v1
• Date: Wed, 17 Sep 2025 17:12:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.933782
• Title: Bridging Past and Future: Distribution-Aware Alignment for Time Series Forecasting
• Title（参考訳）: 過去と未来:時系列予測のための配電意識アライメント
• Authors: Yifan Hu, Jie Yang, Tian Zhou, Peiyuan Liu, Yujin Tang, Rong Jin, Liang Sun,
• Abstract要約: 明示的な表現アライメントは,入力履歴と将来の目標との分布ギャップを橋渡しする重要な情報を提供することができることを示す。 我々はTimeAlignという軽量なプラグイン・アンド・プレイフレームワークを導入し、単純な再構築タスクを通じて補助機能を学び、ベース予測者にフィードバックする。
• 参考スコア（独自算出の注目度）: 30.686607555300366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Representation learning techniques like contrastive learning have long been explored in time series forecasting, mirroring their success in computer vision and natural language processing. Yet recent state-of-the-art (SOTA) forecasters seldom adopt these representation approaches because they have shown little performance advantage. We challenge this view and demonstrate that explicit representation alignment can supply critical information that bridges the distributional gap between input histories and future targets. To this end, we introduce TimeAlign, a lightweight, plug-and-play framework that learns auxiliary features via a simple reconstruction task and feeds them back to any base forecaster. Extensive experiments across eight benchmarks verify its superior performance. Further studies indicate that the gains arises primarily from correcting frequency mismatches between historical inputs and future outputs. We also provide a theoretical justification for the effectiveness of TimeAlign in increasing the mutual information between learned representations and predicted targets. As it is architecture-agnostic and incurs negligible overhead, TimeAlign can serve as a general alignment module for modern deep learning time-series forecasting systems. The code is available at https://github.com/TROUBADOUR000/TimeAlign.
• Abstract（参考訳）: コントラスト学習のような表現学習技術は、コンピュータビジョンと自然言語処理の成功を反映して、時系列予測において長い間研究されてきた。 しかし、最近のSOTA(State-of-the-art)予測では、パフォーマンス上の優位性はほとんど示されていないため、これらの表現アプローチを採用することはほとんどない。 我々はこの見解に挑戦し、明示的な表現アライメントが入力履歴と将来の目標との分布ギャップを橋渡しする重要な情報を供給できることを実証する。 この目的のために、TimeAlignという軽量なプラグイン・アンド・プレイフレームワークを導入し、単純な再構成タスクを通じて補助的な特徴を学習し、ベース予測者にフィードバックする。 8つのベンチマークにわたる大規模な実験は、その優れたパフォーマンスを検証する。 さらなる研究は、主に過去の入力と将来の出力の間の周波数ミスマッチの補正から得られることを示唆している。 また、学習した表現と予測対象との相互情報を増やすためのTimeAlignの有効性を理論的に正当化する。 アーキテクチャに依存しないため、TimeAlignは現代のディープラーニングの時系列予測システムのための一般的なアライメントモジュールとして機能する。 コードはhttps://github.com/TROUBADOUR000/TimeAlignで入手できる。

関連論文リスト

• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Contrastive Difference Predictive Coding [79.74052624853303]
  本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。 目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
  論文  参考訳（メタデータ） (2023-10-31T03:16:32Z)
• Simple Contrastive Representation Learning for Time Series Forecasting [14.883195365310705]
  時系列予測を改善するための表現学習手法であるSimTSを提案する。 SimTS は正のペアのみを使用し、負のペアや特定の時系列の特徴に依存しない。
  論文  参考訳（メタデータ） (2023-03-31T16:59:40Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• Ripple: Concept-Based Interpretation for Raw Time Series Models in Education [5.374524134699487]
  時系列は、教育予測タスクにおいて最も一般的な入力データである。 本稿では,グラフニューラルネットワークを用いた不規則な多変量時系列モデリングを用いて,同等あるいはより良い精度を実現する手法を提案する。 教育領域におけるこれらの進歩を分析し,早期学生のパフォーマンス予測の課題に対処する。
  論文  参考訳（メタデータ） (2022-12-02T12:26:00Z)
• VQ-AR: Vector Quantized Autoregressive Probabilistic Time Series Forecasting [10.605719154114354]
  時系列モデルは過去の予測を正確に予測することを目的としており、そこではビジネス上の意思決定のような重要な下流のタスクに予測が使用される。 本稿では,新しい自己回帰型アーキテクチャであるVQ-ARを提案する。
  論文  参考訳（メタデータ） (2022-05-31T15:43:46Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)

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。