論文の概要: DBLoss: Decomposition-based Loss Function for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2510.23672v1
• Date: Mon, 27 Oct 2025 02:42:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.335981
• Title: DBLoss: Decomposition-based Loss Function for Time Series Forecasting
• Title（参考訳）: DBLoss: 時系列予測のための分解に基づく損失関数
• Authors: Xiangfei Qiu, Xingjian Wu, Hanyin Cheng, Xvyuan Liu, Chenjuan Guo, Jilin Hu, Bin Yang,
• Abstract要約: 本稿では,DBLoss と呼ばれる単純な分割型ロス関数を提案する。 一般的な損失関数として、DBLossはあらゆるディープラーニング予測モデルと組み合わせることができる。
• 参考スコア（独自算出の注目度）: 16.98710098925001
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series forecasting holds significant value in various domains such as economics, traffic, energy, and AIOps, as accurate predictions facilitate informed decision-making. However, the existing Mean Squared Error (MSE) loss function sometimes fails to accurately capture the seasonality or trend within the forecasting horizon, even when decomposition modules are used in the forward propagation to model the trend and seasonality separately. To address these challenges, we propose a simple yet effective Decomposition-Based Loss function called DBLoss. This method uses exponential moving averages to decompose the time series into seasonal and trend components within the forecasting horizon, and then calculates the loss for each of these components separately, followed by weighting them. As a general loss function, DBLoss can be combined with any deep learning forecasting model. Extensive experiments demonstrate that DBLoss significantly improves the performance of state-of-the-art models across diverse real-world datasets and provides a new perspective on the design of time series loss functions.
• Abstract（参考訳）: 時系列予測は、正確な予測が情報的意思決定を促進するため、経済、交通、エネルギー、AIOpsといった様々な領域において重要な価値を持っている。 しかし, 従来の平均二乗誤差(MSE)損失関数は, 分解モジュールを前方伝播で使用しても, 季節性や傾向を正確に把握できず, 季節性や季節性は別々にモデル化する。 これらの課題に対処するため,DBLossと呼ばれる単純な分割型ロス関数を提案する。 この方法は指数移動平均を用いて、時系列を予測地平線内の季節成分とトレンド成分に分解し、各成分の損失をそれぞれ別々に計算し、重み付けする。 一般的な損失関数として、DBLossはあらゆるディープラーニング予測モデルと組み合わせることができる。 大規模な実験により、DBLossは様々な実世界のデータセットにまたがる最先端モデルの性能を大幅に改善し、時系列損失関数の設計に関する新たな視点を提供する。

関連論文リスト

• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [74.56971641937771]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Patch-wise Structural Loss for Time Series Forecasting [25.291749176117662]
  Patch-wise Structure (PS) Losは、パッチレベルでの時系列を比較することで、構造的アライメントを向上させるように設計されている。 PS損失は、従来のポイントワイドの損失によって見落とされた、微妙な構造上の不一致を捉えている。 ポイントワイズロスとシームレスに統合され、局所的な構造上の不整合と個々のタイムステップエラーに同時に対処する。
  論文  参考訳（メタデータ） (2025-03-02T12:36:15Z)
• A Hybrid Loss Framework for Decomposition-based Time Series Forecasting Methods: Balancing Global and Component Errors [3.92625489118339]
  シーケンス分解を伴う既存の時系列手法における全体の損失の影響について検討する。 その結果,全体の損失はモデル学習に偏りをもたらし,より重要なサブシリーズの優先順位付けの学習を妨げることが明らかとなった。 グローバルな損失とコンポーネントの損失を組み合わせたハイブリッド・ロス・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T07:15:23Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• TILDE-Q: A Transformation Invariant Loss Function for Time-Series Forecasting [8.086595073181604]
  時系列予測は、エネルギー、天気、交通、経済など、さまざまな領域における現実世界の問題に対処することができる。 時系列予測はよく研究されている分野であり、シーケンシャルデータの急激な変化などの複雑な時間的パターンを予測することは、現在のモデルでは依然として課題となっている。 本稿では, 振幅および位相歪みだけでなく, 時系列列の形状をモデルで捉えることができる, TILDEQ と呼ばれる新しいコンパクトな損失関数を提案する。
  論文  参考訳（メタデータ） (2022-10-26T21:32:20Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。