Fugu-MT 論文翻訳(概要): Tsururu: A Python-based Time Series Forecasting Strategies Library

論文の概要: Tsururu: A Python-based Time Series Forecasting Strategies Library

arxiv url: http://arxiv.org/abs/2509.15843v1
Date: Fri, 19 Sep 2025 10:26:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-22 18:18:11.125892
Title: Tsururu: A Python-based Time Series Forecasting Strategies Library
Title（参考訳）: Tsururu: Pythonベースの時系列予測戦略ライブラリ
Authors: Alina Kostromina, Kseniia Kuvshinova, Aleksandr Yugay, Andrey Savchenko, Dmitry Simakov,
Abstract要約: Tsururuは、SoTAの研究と産業を橋渡しするPythonライブラリである。グローバルおよび多変量アプローチとマルチステップ予測戦略の柔軟な組み合わせを可能にする。
参考スコア（独自算出の注目度）: 37.84139339249633
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While current time series research focuses on developing new models, crucial questions of selecting an optimal approach for training such models are underexplored. Tsururu, a Python library introduced in this paper, bridges SoTA research and industry by enabling flexible combinations of global and multivariate approaches and multi-step-ahead forecasting strategies. It also enables seamless integration with various forecasting models. Available at https://github.com/sb-ai-lab/tsururu .
Abstract（参考訳）: 現在の時系列研究は、新しいモデルの開発に重点を置いているが、そのようなモデルを訓練するための最適なアプローチを選択するという決定的な疑問が過小評価されている。この論文で紹介されたPythonライブラリであるtsuruは、グローバルおよびマルチ変数アプローチとマルチステップ予測戦略の柔軟な組み合わせを可能にすることで、SoTAの研究と産業を橋渡しする。また、様々な予測モデルとのシームレスな統合を可能にする。 https://github.com/sb-ai-lab/tsururu.comで入手できる。

関連論文リスト

ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
論文参考訳（メタデータ） (2025-09-07T13:57:14Z)
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)
MALPOLON: A Framework for Deep Species Distribution Modeling [3.1457219084519004]
MALPOLONは深部種分布モデル(deep-SDM)の訓練と推測を容易にすることを目的としている Pythonで書かれ、PyTorchライブラリ上に構築されている。このフレームワークはGitHubとPyPiでオープンソース化されている。
論文参考訳（メタデータ） (2024-09-26T17:45:10Z)
Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
時系列データは、現実世界のシナリオにおいて非常に重要である。近年、時系列コミュニティで顕著なブレークスルーが見られた。多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
論文参考訳（メタデータ） (2024-07-18T08:31:55Z)
eipy: An Open-Source Python Package for Multi-modal Data Integration using Heterogeneous Ensembles [2.957103424179249]
eipyはオープンソースのPythonパッケージで、分類のための効果的なマルチモーダルなヘテロジニアスアンサンブルを開発する。データ統合と予測モデリングメソッドの比較と選択のための厳格でユーザフレンドリなフレームワークを提供する。
論文参考訳（メタデータ） (2024-01-17T20:07:47Z)
A Comprehensive Python Library for Deep Learning-Based Event Detection in Multivariate Time Series Data and Information Retrieval in NLP [0.0]
時系列データ中の事象を検出するための新しいディープラーニング制御手法を提案する。これは二項分類ではなく回帰に基づく。ラベル付きデータセットは必要とせず、各ポイントにラベルが付けられている。時間ポイントや時間間隔として定義された参照イベントのみを必要とする。
論文参考訳（メタデータ） (2023-10-25T09:13:19Z)
SequeL: A Continual Learning Library in PyTorch and JAX [50.33956216274694]
SequeLは継続学習のためのライブラリで、PyTorchとJAXフレームワークの両方をサポートする。それは、正規化ベースのアプローチ、リプレイベースのアプローチ、ハイブリッドアプローチを含む、幅広い連続学習アルゴリズムのための統一インターフェースを提供する。私たちはSequeLをオープンソースライブラリとしてリリースし、研究者や開発者が自身の目的で簡単にライブラリを実験し拡張することができます。
論文参考訳（メタデータ） (2023-04-21T10:00:22Z)
Merlion: A Machine Learning Library for Time Series [73.46386700728577]
Merlionは時系列のためのオープンソースの機械学習ライブラリである。モデルの統一インターフェースと、異常検出と予測のためのデータセットを備えている。 Merlionはまた、本番環境でのモデルのライブデプロイメントと再トレーニングをシミュレートするユニークな評価フレームワークも提供する。
論文参考訳（メタデータ） (2021-09-20T02:03:43Z)
Time Series Forecasting With Deep Learning: A Survey [5.351996099005896]
我々は,1ステップアヘッドとマルチホライゾン時系列予測の両方で使用される共通エンコーダとデコーダの設計を調査した。我々は、よく研究された統計モデルとニューラルネットワークコンポーネントを組み合わせたハイブリッドディープラーニングモデルの最近の発展に注目した。
論文参考訳（メタデータ） (2020-04-28T10:32:26Z)

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。