論文の概要: Lightweight and Data-Efficient MultivariateTime Series Forecasting using Residual-Stacked Gaussian (RS-GLinear) Architecture

• arxiv url: http://arxiv.org/abs/2510.03788v1
• Date: Sat, 04 Oct 2025 11:44:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.254939
• Title: Lightweight and Data-Efficient MultivariateTime Series Forecasting using Residual-Stacked Gaussian (RS-GLinear) Architecture
• Title（参考訳）: Residual-Stacked Gaussian (RS-GLinear) アーキテクチャを用いた軽量・データ効率の多変量時系列予測
• Authors: Abukar Ali,
• Abstract要約: トランスフォーマーベースのモデルは、過去のデータから将来の値を予測する際に、短期および長期の依存関係を扱うために提案されている。 本稿では,Residual Stacked Gaussian Linear (RSGL)モデルと呼ばれる拡張版を提案する。 実験結果から,RSGLモデルはガウス線形モデルとトランスフォーマーモデルの両方と比較して予測精度とロバスト性が改善された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Following the success of Transformer architectures in language modeling, particularly their ability to capture long-range dependencies, researchers have explored how these architectures can be adapted for time-series forecasting. Transformer-based models have been proposed to handle both short- and long-term dependencies when predicting future values from historical data. However, studies such as those by Zeng et al. (2022) and Rizvi et al. (2025) have reported mixed results in long-term forecasting tasks. In this work, we evaluate the Gaussian-based Linear architecture introduced by Rizvi et al. (2025) and present an enhanced version called the Residual Stacked Gaussian Linear (RSGL) model. We also investigate the broader applicability of the RSGL model in additional domains, including financial time series and epidemiological data. Experimental results show that the RSGL model achieves improved prediction accuracy and robustness compared to both the baseline Gaussian Linear and Transformer-based models.
• Abstract（参考訳）: 言語モデリングにおけるTransformerアーキテクチャ、特に長距離依存関係をキャプチャする能力の成功に続いて、研究者たちは、これらのアーキテクチャが時系列予測にどのように適応できるかを調査した。 トランスフォーマーベースのモデルは、過去のデータから将来の値を予測する際に、短期および長期の依存関係を扱うために提案されている。 しかし、Zeng et al (2022) や Rizvi et al (2025) などの研究は、長期的な予測タスクにおいて、様々な結果を報告している。 本稿では,Rizvi et al (2025) が導入したガウス系線形アーキテクチャを評価し,Residual Stacked Gaussian Linear (RSGL) モデルと呼ばれる拡張版を提案する。 また、金融時系列や疫学的データを含む追加領域におけるRSGLモデルの適用性についても検討した。 実験結果から,RSGLモデルはガウス線形モデルとトランスフォーマーモデルの両方と比較して予測精度とロバスト性が改善された。

関連論文リスト

• Bridging Simplicity and Sophistication using GLinear: A Novel Architecture for Enhanced Time Series Prediction [1.52551943336894]
  Time Series Forecasting (TSF)は多くの分野において重要なアプリケーションです。 最近の研究では、より単純な線形モデルは、TSFタスクの複雑なTransformerベースのモデルに比べて、性能が優れているか、少なくとも競合する可能性があることが示唆されている。
  論文  参考訳（メタデータ） (2025-01-02T06:19:53Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• Graph-enabled Reinforcement Learning for Time Series Forecasting with Adaptive Intelligence [11.249626785206003]
  グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。 GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。 このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
  論文  参考訳（メタデータ） (2023-09-18T22:25:12Z)
• Generalized Matrix Factorization: efficient algorithms for fitting generalized linear latent variable models to large data arrays [62.997667081978825]
  一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。 GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。 本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T04:28:19Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。