論文の概要: SynTSBench: Rethinking Temporal Pattern Learning in Deep Learning Models for Time Series

• arxiv url: http://arxiv.org/abs/2510.20273v1
• Date: Thu, 23 Oct 2025 06:59:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.461857
• Title: SynTSBench: Rethinking Temporal Pattern Learning in Deep Learning Models for Time Series
• Title（参考訳）: SynTSBench: 時系列のディープラーニングモデルにおける時間パターン学習の再考
• Authors: Qitai Tan, Yiyun Chen, Mo Li, Ruiwen Gu, Yilin Su, Xiao-Ping Zhang,
• Abstract要約: 時系列予測モデルのための合成データ駆動評価パラダイムであるSynTSBenchを提案する。 本フレームワークは,3つのコア解析次元を持つ解釈可能な評価システムの構築と,相反する要因を分離する。 実験の結果,現在のディープラーニングモデルでは,時間的特徴のあらゆるタイプにおいて,最適なベースラインに普遍的にアプローチすることができないことがわかった。
• 参考スコア（独自算出の注目度）: 11.314952720053464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in deep learning have driven rapid progress in time series forecasting, yet many state-of-the-art models continue to struggle with robust performance in real-world applications, even when they achieve strong results on standard benchmark datasets. This persistent gap can be attributed to the black-box nature of deep learning architectures and the inherent limitations of current evaluation frameworks, which frequently lack the capacity to provide clear, quantitative insights into the specific strengths and weaknesses of different models, thereby complicating the selection of appropriate models for particular forecasting scenarios. To address these issues, we propose a synthetic data-driven evaluation paradigm, SynTSBench, that systematically assesses fundamental modeling capabilities of time series forecasting models through programmable feature configuration. Our framework isolates confounding factors and establishes an interpretable evaluation system with three core analytical dimensions: (1) temporal feature decomposition and capability mapping, which enables systematic evaluation of model capacities to learn specific pattern types; (2) robustness analysis under data irregularities, which quantifies noise tolerance thresholds and anomaly recovery capabilities; and (3) theoretical optimum benchmarking, which establishes performance boundaries for each pattern type-enabling direct comparison between model predictions and mathematical optima. Our experiments show that current deep learning models do not universally approach optimal baselines across all types of temporal features.The code is available at https://github.com/TanQitai/SynTSBench
• Abstract（参考訳）: 近年のディープラーニングの進歩は時系列予測の急速な進歩を招いているが、多くの最先端モデルは、標準的なベンチマークデータセットで強力な結果を得たとしても、現実世界のアプリケーションで堅牢なパフォーマンスに苦戦している。 この永続的なギャップは、ディープラーニングアーキテクチャのブラックボックスの性質と、現在の評価フレームワーク固有の制限によるもので、しばしば異なるモデルの特定の長所と短所に関する明確で定量的な洞察を提供する能力が欠如しているため、特定の予測シナリオに対する適切なモデルの選択が複雑になる。 これらの問題に対処するために,プログラム可能な特徴設定により時系列予測モデルの基本的なモデリング能力を体系的に評価する合成データ駆動評価パラダイム,SynTSBenchを提案する。 筆者らのフレームワークは, 相違要因を分離し, 1) 特定のパターンタイプを学習するためのモデル能力の体系的評価を可能にする時間的特徴分解と能力マッピング, (2) 耐雑音閾値と異常回復能力を定量化するデータ不規則性に基づくロバスト性解析, (3) モデル予測と数学的最適性の間で, 各パターンタイプが直接比較する性能境界を確立する理論的最適ベンチマークという,3つの基本的分析次元による解釈可能な評価システムを確立する。 我々の実験によると、現在のディープラーニングモデルは、すべての時間的特徴に対して最適なベースラインに普遍的にアプローチしていない。

関連論文リスト

• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
  ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。 実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
  論文  参考訳（メタデータ） (2025-09-07T13:57:14Z)
• Tailored Architectures for Time Series Forecasting: Evaluating Deep Learning Models on Gaussian Process-Generated Data [0.5573267589690007]
  時系列特性と特定のモデルとの明確な関係を明らかにすることを目的としている。 多様な時間的ダイナミクスを扱うのに適したモジュラーアーキテクチャを組み込んだ新しいモデルであるTimeFlexを紹介します。 このモデルは現在の最先端モデルと比較され、様々な時系列条件下でモデルがどのように機能するかをより深く理解する。
  論文  参考訳（メタデータ） (2025-06-10T16:46:02Z)
• Recurrent Neural Goodness-of-Fit Test for Time Series [8.22915954499148]
  時系列データは、金融や医療など、さまざまな分野において重要である。 従来の評価基準は、時間的依存関係と潜在的な特徴の高次元性のために不足している。 Recurrent Neural (RENAL) Goodness-of-Fit testは,生成時系列モデルを評価するための新しい,統計的に厳密なフレームワークである。
  論文  参考訳（メタデータ） (2024-10-17T19:32:25Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。