論文の概要: Online Time Series Forecasting with Theoretical Guarantees

• arxiv url: http://arxiv.org/abs/2510.18281v1
• Date: Tue, 21 Oct 2025 04:12:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.916506
• Title: Online Time Series Forecasting with Theoretical Guarantees
• Title（参考訳）: 理論的保証によるオンライン時系列予測
• Authors: Zijian Li, Changze Zhou, Minghao Fu, Sanjay Manjunath, Fan Feng, Guangyi Chen, Yingyao Hu, Ruichu Cai, Kun Zhang,
• Abstract要約: 理論的保証付きオンライン時系列予測のための理論的枠組みを提案する。 潜伏変数による予測器の供給がベイズリスクを締め付けることを実証する。 また,近接観測が最小限である潜伏変数の同定も提案する。
• 参考スコア（独自算出の注目度）: 41.800689835293774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper is concerned with online time series forecasting, where unknown distribution shifts occur over time, i.e., latent variables influence the mapping from historical to future observations. To develop an automated way of online time series forecasting, we propose a Theoretical framework for Online Time-series forecasting (TOT in short) with theoretical guarantees. Specifically, we prove that supplying a forecaster with latent variables tightens the Bayes risk, the benefit endures under estimation uncertainty of latent variables and grows as the latent variables achieve a more precise identifiability. To better introduce latent variables into online forecasting algorithms, we further propose to identify latent variables with minimal adjacent observations. Based on these results, we devise a model-agnostic blueprint by employing a temporal decoder to match the distribution of observed variables and two independent noise estimators to model the causal inference of latent variables and mixing procedures of observed variables, respectively. Experiment results on synthetic data support our theoretical claims. Moreover, plug-in implementations built on several baselines yield general improvement across multiple benchmarks, highlighting the effectiveness in real-world applications.
• Abstract（参考訳）: 本稿では,時間とともに未知の分布変化が発生するオンライン時系列予測について述べる。 オンライン時系列予測の自動手法を開発するために,理論的保証付きオンライン時系列予測(TOT)の理論的枠組みを提案する。 具体的には、潜伏変数の予測器の供給がベイズリスクを弱めることを証明し、潜伏変数の推定の不確実性の下で、潜伏変数がより正確に識別可能であることを証明した。 オンライン予測アルゴリズムに潜伏変数をよりよく導入するために,隣接した観測が最小限である潜伏変数を同定することを提案する。 これらの結果に基づいて、観測変数の分布に一致する時間デコーダと2つの独立雑音推定器を用いて、潜伏変数の因果推定と観測変数の混合手順をモデル化し、モデルに依存しない青写真を作成する。 合成データの実験結果が理論的な主張を裏付ける。 さらに、複数のベースライン上に構築されたプラグイン実装は、複数のベンチマークで全体的な改善をもたらし、現実世界のアプリケーションの有効性を強調している。

関連論文リスト

• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• A Predictive Approach To Enhance Time-Series Forecasting [6.377828331013327]
  本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。 本手法は2つのモデルから構成される: 重要事象を識別するために将来のデータを解析する検出モデルと、これらの事象を現在のデータに基づいて予測する予測モデルである。 脳波データを用いた発作予測ではAUC-ROCが44.8%増加し,非線形力学系ではMSEが23.4%減少した。
  論文  参考訳（メタデータ） (2024-10-19T21:22:55Z)
• JANET: Joint Adaptive predictioN-region Estimation for Time-series [28.19630729432862]
  共形予測領域を構築するための新しいフレームワークであるJANET(Joint Adaptive predictioN- Region Estimation for Time-Series)を提案する。 JANETは、帰納的共形フレームワークを一般化し、制御されたK系列誤差率の合同予測領域を効率的に生成する。 我々の経験的評価は、JANETが様々な時系列データセットにまたがる多段階予測タスクにおいて優れた性能を示している。
  論文  参考訳（メタデータ） (2024-07-08T21:03:15Z)
• Enhancing reliability in prediction intervals using point forecasters: Heteroscedastic Quantile Regression and Width-Adaptive Conformal Inference [0.0]
  予測区間を構築する場合,標準測度だけでは不十分である。 我々は、不規則な量子回帰とウィッジ適応型コンフォーマル推論を組み合わせることを提案する。 この組み合わせのアプローチは、妥当性と効率性に関する典型的なベンチマークを満たしたり、超えたりすることを示します。
  論文  参考訳（メタデータ） (2024-06-21T06:51:13Z)
• Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI [41.99446024585741]
  Weak Innovation AutoEncoderをベースとしたGenerative Probabilistic ForecastingアーキテクチャであるWIAE-GPFを提案する。 構造収束を保証する新しい学習アルゴリズムを提案し、生成した予測サンプルが基底真理条件付き確率分布と一致することを保証した。
  論文  参考訳（メタデータ） (2024-03-09T00:41:30Z)
• 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)
• 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。