Fugu-MT 論文翻訳(概要): Bridging Past and Future: Distribution-Aware Alignment for Time Series Forecasting

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

arxiv url: http://arxiv.org/abs/2509.14181v2
Date: Sun, 21 Sep 2025 17:18:35 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-23 12:27:33.492691
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: 時系列予測のための表現学習フレームワークであるTimeAlignを紹介する。我々は,過去と将来の表現を明示的に整列し,入力履歴と将来の目標との分布的ギャップを埋める。利得は主に、歴史的入力と将来の出力の間の周波数ミスマッチの修正から生じる。
参考スコア（独自算出の注目度）: 30.686607555300366
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Although contrastive and other representation-learning methods have long been explored in vision and NLP, their adoption in modern time series forecasters remains limited. We believe they hold strong promise for this domain. To unlock this potential, we explicitly align past and future representations, thereby bridging the distributional gap between input histories and future targets. To this end, we introduce TimeAlign, a lightweight, plug-and-play framework that establishes a new representation paradigm, distinct from contrastive learning, by aligning auxiliary features via a simple reconstruction task and feeding them back into any base forecaster. Extensive experiments across eight benchmarks verify its superior performance. Further studies indicate that the gains arise primarily from correcting frequency mismatches between historical inputs and future outputs. Additionally, we provide two theoretical justifications for how reconstruction improves forecasting generalization and how alignment increases the mutual information between learned representations and predicted targets. The code is available at https://github.com/TROUBADOUR000/TimeAlign.
Abstract（参考訳）: コントラストおよび他の表現学習手法は、長い間視覚とNLPで研究されてきたが、現代の時系列予測器では採用が限られている。彼らはこの領域を強く約束していると信じている。この可能性を解き明かすため、過去と将来の表現を明示的に整列し、入力履歴と将来の対象との分布的ギャップを埋める。この目的のために、簡単な再構成タスクを介して補助機能を整列し、任意のベース予測器にフィードバックすることで、コントラスト学習とは異なる新しい表現パラダイムを確立する軽量なプラグイン・アンド・プレイフレームワークであるTimeAlignを導入する。 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によって得られることを示唆している。さらに、再構築が予測一般化を改善する方法と、学習した表現と予測対象との相互情報の整合性を高める方法の理論的正当性を示す。コードはhttps://github.com/TROUBADOUR000/TimeAlignで入手できる。

関連論文リスト

A General ReLearner: Empowering Spatiotemporal Prediction by Re-learning Input-label Residual [29.391374009383355]
ReLearnerは、逆学習プロセスを通じて双方向学習機能でSNNを拡張するモジュールである。 ReLearnerは既存のSTNNの予測性能を大幅に向上させることを示す。
論文参考訳（メタデータ） (2026-01-30T17:26:57Z)
Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
論文参考訳（メタデータ） (2025-10-03T05:18:47Z)
When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。その結果,マルチモーダリティの利点は条件に依存していることが判明した。我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
論文参考訳（メタデータ） (2025-06-20T23:55:56Z)
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)
Split Time Series into Patches: Rethinking Long-term Series Forecasting with Dateformer [17.454822366228335]
時間は時系列の最も重要な特徴の1つだが、あまり注目されていない。本稿では、上記のプラクティスに従うのではなく、モデリング時間に注意を向けるDateformerを提案する。ディザフォーマーは、40%の顕著な相対的な改善で最先端の精度を達成し、最大信頼性予測範囲を半年レベルに拡大する。
論文参考訳（メタデータ） (2022-07-12T08:58:44Z)
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)
Unsupervised Video Representation Learning by Bidirectional Feature Prediction [16.074111448606512]
本稿では,特徴予測を用いた自己教師型映像表現学習手法を提案する。我々は、観測されていない過去のフレームから発生する監視信号は、将来のフレームから生じるものと相補的であると論じる。両信号の利用により,下流の行動認識タスクにおいて学習した表現が強化されることを実証的に示す。
論文参考訳（メタデータ） (2020-11-11T19:42:31Z)

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。