論文の概要: Forking-Sequences

• arxiv url: http://arxiv.org/abs/2510.04487v1
• Date: Mon, 06 Oct 2025 04:51:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.683679
• Title: Forking-Sequences
• Title（参考訳）: フォークシークエンス
• Authors: Willa Potosnak, Malcolm Wolff, Boris Oreshkin, Mengfei Cao, Michael W. Mahoney, Dmitry Efimov, Kin G. Olivares,
• Abstract要約: 精度の高いモデルでさえ、予測作成日の間に不規則な修正を発生させることができる。 MQCNN、MQT、SPADEといったモデルは、あまり知られていないが、非常に効果的なテクニックであるフォークシーケンスを採用しています。 フォーキングシーケンスの利点として, (i) より安定かつ一貫した勾配更新, (ii) アンサンブルによる予測分散の低減, (iii) 推論効率の向上, の3つを挙げる。
• 参考スコア（独自算出の注目度）: 33.62694927994466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While accuracy is a critical requirement for time series forecasting models, an equally important (yet often overlooked) desideratum is forecast stability across forecast creation dates (FCDs). Even highly accurate models can produce erratic revisions between FCDs, undermining stakeholder trust and disrupting downstream decision-making. To improve forecast stability, models like MQCNN, MQT, and SPADE employ a little-known but highly effective technique: forking-sequences. Unlike standard statistical and neural forecasting methods that treat each FCD independently, the forking-sequences method jointly encodes and decodes the entire time series across all FCDs, in a way mirroring time series cross-validation. Since forking sequences remains largely unknown in the broader neural forecasting community, in this work, we formalize the forking-sequences approach, and we make a case for its broader adoption. We demonstrate three key benefits of forking-sequences: (i) more stable and consistent gradient updates during training; (ii) reduced forecast variance through ensembling; and (iii) improved inference computational efficiency. We validate forking-sequences' benefits using 16 datasets from the M1, M3, M4, and Tourism competitions, showing improvements in forecast percentage change stability of 28.8%, 28.8%, 37.9%, and 31.3%, and 8.8%, on average, for MLP, RNN, LSTM, CNN, and Transformer-based architectures, respectively.
• Abstract（参考訳）: 精度は時系列予測モデルにとって重要な要件であるが、等しく重要な(しばしば見過ごされる)デシドラタムは、予測生成日(FCD)を越えての安定性を予測している。 非常に正確なモデルでさえ、FCD間の不規則なリビジョンを生み出し、ステークホルダーの信頼を弱め、下流の意思決定を妨害することができる。 予測安定性を改善するため、MQCNN、MQT、SPADEなどのモデルでは、フォーキングシーケンスという、ほとんど知られていないが非常に効果的なテクニックが採用されている。 それぞれのFCDを独立に扱う標準的な統計学的および神経的予測法とは異なり、フォークシーケンス法は、時系列のクロスバリデーションをミラーする方法で、すべてのFCDの時系列を共同でエンコードし、デコードする。 この研究で、フォークシーケンスのアプローチを形式化し、より広範な採用の事例を提示する。 フォークシーケンスの3つの重要な利点を示します。 (i)訓練中により安定して一貫した勾配更新を行う。 二 アンサンブルによる予測分散の低減 (iii)推論計算効率の向上。 M1, M3, M4, ツーリズムコンペティションの16データセットを用いて, MLP, RNN, LSTM, CNN, Transformerベースのアーキテクチャに対して平均28.8%, 28.8%, 37.9%, 31.3%, 8.8%の予測パーセンテージ変化安定性の改善を示した。

関連論文リスト

• A Realistic Evaluation of Cross-Frequency Transfer Learning and Foundation Forecasting Models [32.56983347493999]
  大規模時系列データセットを事前トレーニング基礎予測モデル(FFM)にキュレートするための一般的なフレームワークとして、クロス周波数転送学習(CFTL)が登場している。 CFTLは将来性を示しているが、現在のベンチマークプラクティスは、そのパフォーマンスを正確に評価するに足らない。 この欠点は、小規模評価データセットへの過度な依存、計算サマリ統計におけるサンプルサイズの不適切な処理、最適以下の統計モデルの報告、事前トレーニングとテストデータセット間の重複の非無視的なリスクの考慮の欠如など、多くの要因に起因している。
  論文  参考訳（メタデータ） (2025-09-23T18:19:50Z)
• Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion [13.640501360968782]
  FALDAは時系列予測のための新しい確率的フレームワークである。 コンポーネント固有のアーキテクチャが組み込まれており、個々の時間的コンポーネントをカスタマイズしたモデリングを可能にする。 6つの実世界のベンチマーク実験は、FALDAが既存の確率予測手法を一貫して上回っていることを示している。 FALDAはまた、最先端(SOTA)ポイント予測アプローチよりも優れた全体的なパフォーマンスを実現し、最大9%の改善を実現している。
  論文  参考訳（メタデータ） (2025-05-16T14:32:34Z)
• EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
  我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
  論文  参考訳（メタデータ） (2025-03-31T18:10:08Z)
• Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
  Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化 MTEは精度と不確実性の両方を同時に向上させることができる。 例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
  論文  参考訳（メタデータ） (2024-05-30T03:15:59Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Spatiotemporal Adaptive Neural Network for Long-term Forecasting of Financial Time Series [0.2793095554369281]
  本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。 動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。 ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
  論文  参考訳（メタデータ） (2020-03-27T00:53:11Z)

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。