論文の概要: ReNF: Rethinking the Design Space of Neural Long-Term Time Series Forecasters

• arxiv url: http://arxiv.org/abs/2509.25914v2
• Date: Wed, 01 Oct 2025 03:57:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-02 14:33:21.836754
• Title: ReNF: Rethinking the Design Space of Neural Long-Term Time Series Forecasters
• Title（参考訳）: ReNF:ニューラルな時系列予測システムの設計空間を再考
• Authors: Yihang Lu, Xianwei Meng, Enhong Chen,
• Abstract要約: 本稿では,提案手法の理論的基礎となるマルチプルニューラル予測定理を提案する。 自動回帰(AR)と直接出力(DO)の両方の利点を組み合わせた新しい予測戦略であるブースト・ダイレクト・アウトプット(BDO)を提案する。
• 参考スコア（独自算出の注目度）: 48.79331759671512
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural Forecasters (NFs) are a cornerstone of Long-term Time Series Forecasting (LTSF). However, progress has been hampered by an overemphasis on architectural complexity at the expense of fundamental forecasting principles. In this work, we return to first principles to redesign the LTSF paradigm. We begin by introducing a Multiple Neural Forecasting Theorem that provides a theoretical basis for our approach. We propose Boosted Direct Output (BDO), a novel forecasting strategy that synergistically combines the advantages of both Auto-Regressive (AR) and Direct Output (DO). In addition, we stabilize the learning process by smoothly tracking the model's parameters. Extensive experiments show that these principled improvements enable a simple MLP to achieve state-of-the-art performance, outperforming recent, complex models in nearly all cases, without any specific considerations in the area. Finally, we empirically verify our theorem, establishing a dynamic performance bound and identifying promising directions for future research. The code for review is available at: .
• Abstract（参考訳）: ニューラル・フォアキャスター(Neural Forecasters、NF)は、長期時系列・フォアキャスター(LTSF)の基盤である。 しかし、基本的な予測原則を犠牲にして、アーキテクチャの複雑さが過大評価されているため、進歩は妨げられている。 この研究では、LTSFパラダイムを再設計する第一原則に戻ります。 まず、我々のアプローチの理論的基礎を提供する多重ニューラル予測理論を導入する。 本稿では,自動回帰(AR)と直接出力(DO)の両方の利点を相乗的に組み合わせた,新たな予測戦略であるブースト・ダイレクト・アウトプット(BDO)を提案する。 さらに,モデルのパラメータを円滑に追跡することで学習プロセスを安定化する。 広汎な実験により、これらの原則化された改善により、単純なMPPが最先端の性能を達成でき、その領域で特に考慮することなく、最近の複雑なモデルをほぼ全てのケースで上回っていることが示される。 最後に、我々の定理を実証的に検証し、動的性能境界を確立し、将来の研究に期待できる方向を特定する。 レビュー用のコードは以下の通り。

関連論文リスト

• KANMixer: Can KAN Serve as a New Modeling Core for Long-term Time Series Forecasting? [17.96421618979159]
  我々は,kanの適応能力を完全に活用したマルチスケール混合バックボーンを統合した簡潔なアーキテクチャであるkanMixerを紹介する。 そこで,KanMixerは7つのベンチマークデータセットに対して,28実験のうち16実験で最先端のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2025-08-03T04:03:13Z)
• Walk Before You Run! Concise LLM Reasoning via Reinforcement Learning [10.255235456427037]
  大規模言語モデル(LLM)における簡潔推論を実現するための簡易かつ効果的な2段階強化学習フレームワークを提案する。 最初の段階は、より多くのトレーニングステップを使用して、グループ相対ポリシー最適化を通じてモデルの推論能力をインセンティブ化することを目的としています。 第2段階は、より少ないトレーニングステップを使用して、簡潔さを明示的に実施し、Longth-aware Group Relative Policy Optimizationを通じて効率を向上させる。
  論文  参考訳（メタデータ） (2025-05-27T13:29:51Z)
• LARES: Latent Reasoning for Sequential Recommendation [96.26996622771593]
  本稿では、シークエンシャルレコメンデーションのための新しいスケーラブルなLatent ReasoningフレームワークであるLARESを紹介する。 提案手法では,パラメータの複雑性を増大させることなく推理深度を柔軟に拡張できる再帰的アーキテクチャを用いている。 我々のフレームワークは既存の高度なモデルとのシームレスな互換性を示し、推奨性能をさらに向上させる。
  論文  参考訳（メタデータ） (2025-05-22T16:22:54Z)
• Force Matching with Relativistic Constraints: A Physics-Inspired Approach to Stable and Efficient Generative Modeling [26.145559807686706]
  本稿では,特殊相対論的力学を取り入れた生成モデリングフレームワークForMを紹介する。 ForM は速度制約を課し、サンプル速度が一定限の範囲内にあることを保証する。 ForMは, 安定, 効率的, 柔軟な生成プロセスを実現するための, 有望な経路を提供する。
  論文  参考訳（メタデータ） (2025-02-12T06:30:01Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。