論文の概要: Accuracy Law for the Future of Deep Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2510.02729v1
• Date: Fri, 03 Oct 2025 05:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.272131
• Title: Accuracy Law for the Future of Deep Time Series Forecasting
• Title（参考訳）: ディープ・タイム・シリーズ予測の精度に関する法則
• Authors: Yuxuan Wang, Haixu Wu, Yuezhou Ma, Yuchen Fang, Ziyi Zhang, Yong Liu, Shiyu Wang, Zhou Ye, Yang Xiang, Jianmin Wang, Mingsheng Long,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 65.46625911002202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep time series forecasting has emerged as a booming direction in recent years. Despite the exponential growth of community interests, researchers are sometimes confused about the direction of their efforts due to minor improvements on standard benchmarks. In this paper, we notice that, unlike image recognition, whose well-acknowledged and realizable goal is 100% accuracy, time series forecasting inherently faces a non-zero error lower bound due to its partially observable and uncertain nature. To pinpoint the research objective and release researchers from saturated tasks, this paper focuses on a fundamental question: how to estimate the performance upper bound of deep time series forecasting? Going beyond classical series-wise predictability metrics, e.g., ADF test, we realize that the forecasting performance is highly related to window-wise properties because of the sequence-to-sequence forecasting paradigm of deep time series models. Based on rigorous statistical tests of over 2,800 newly trained deep forecasters, we discover a significant exponential relationship between the minimum forecasting error of deep models and the complexity of window-wise series patterns, which is termed the accuracy law. The proposed accuracy law successfully guides us to identify saturated tasks from widely used benchmarks and derives an effective training strategy for large time series models, offering valuable insights for future research.
• Abstract（参考訳）: 近年、深層時系列予測がブームの方向として現れている。 コミュニティの関心が急増しているにもかかわらず、研究者は標準ベンチマークのマイナーな改善のために、彼らの取り組みの方向性について混乱することがある。 本稿では,画像認識の精度と実現可能な目標が100%の精度であるのに対し,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ことに気付く。 飽和タスクから研究目標を特定し、研究者を解放するために、どのようにして深部時系列予測の性能上限を推定するかという根本的な問題に焦点をあてる。 ADFテストのような古典的時系列予測可能性指標を超えて、予測性能は深部時系列モデルのシーケンス・ツー・シーケンス予測パラダイムのため、ウィンドウワイズ特性と高い関係があることに気付きました。 新たに訓練された2,800以上の深部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、精度法則と呼ばれるウィンドウワイド級数パターンの複雑さとの間に有意な指数的関係を見出した。 提案法は,広く使用されているベンチマークから飽和タスクの特定に成功し,大規模時系列モデルの効果的なトレーニング戦略を導出し,今後の研究に有用な洞察を提供する。

関連論文リスト

• Feature Fitted Online Conformal Prediction for Deep Time Series Forecasting Model [0.8287206589886881]
  時系列予測は多くのアプリケーションにおいて重要であり、深層学習に基づく点予測モデルは高い性能を示している。 既存の信頼区間モデリングアプローチは、重要な制限に悩まされている。 本稿では,リトレーニングを伴わずに,有効なカバレッジと短い間隔長を提供する軽量な予測予測手法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T01:33:53Z)
• 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)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• 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)
• MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series Interpretable Forecasting [13.790498420659636]
  時系列予測は、その広範な応用が本質的に困難なため、既存の研究から幅広い関心を集めている。 本稿では,まず,畳み込み操作を用いてマルチスケールの時系列パターンを適応的に分解し,パターン再現の既知に基づいてパターン拡張予測手法を構築し,最終的に畳み込み操作を用いて将来的なパターンを再構築する。 時系列に存在する時間的依存関係を活用することで、MPR-Netは線形時間複雑性を達成するだけでなく、予測プロセスも解釈できる。
  論文  参考訳（メタデータ） (2023-07-13T13:16:01Z)
• Retrieval Based Time Series Forecasting [37.48394754614059]
  時系列データは、スマートトランスポートや環境モニタリングなど、さまざまなアプリケーションに現れる。 時系列解析の基本的な問題の1つは時系列予測である。 理論的にも実証的にも,関連する時系列を参照として検索することで,不確実性を効果的に低減できることを示す。
  論文  参考訳（メタデータ） (2022-09-27T16:43:55Z)
• Meta-Forecasting by combining Global DeepRepresentations with Local Adaptation [12.747008878068314]
  メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。 それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。 本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
  論文  参考訳（メタデータ） (2021-11-05T11:45:02Z)
• 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)

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。