論文の概要: Predicting the Future by Retrieving the Past

• arxiv url: http://arxiv.org/abs/2511.05859v1
• Date: Sat, 08 Nov 2025 05:24:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.620854
• Title: Predicting the Future by Retrieving the Past
• Title（参考訳）: 過去を取り戻すことで未来を予測する
• Authors: Dazhao Du, Tao Han, Song Guo,
• Abstract要約: 本研究では,世界史データを明示的に統合し,予測精度を高める手法であるPFRP(Retrieving the Past)を提案する。 PFRPは、グローバル予測と任意の局所予測モデルの出力を適応的に組み合わせることで、より正確で解釈可能な予測を生成する。
• 参考スコア（独自算出の注目度）: 23.181638022094038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models such as MLP, Transformer, and TCN have achieved remarkable success in univariate time series forecasting, typically relying on sliding window samples from historical data for training. However, while these models implicitly compress historical information into their parameters during training, they are unable to explicitly and dynamically access this global knowledge during inference, relying only on the local context within the lookback window. This results in an underutilization of rich patterns from the global history. To bridge this gap, we propose Predicting the Future by Retrieving the Past (PFRP), a novel approach that explicitly integrates global historical data to enhance forecasting accuracy. Specifically, we construct a Global Memory Bank (GMB) to effectively store and manage global historical patterns. A retrieval mechanism is then employed to extract similar patterns from the GMB, enabling the generation of global predictions. By adaptively combining these global predictions with the outputs of any local prediction model, PFRP produces more accurate and interpretable forecasts. Extensive experiments conducted on seven real-world datasets demonstrate that PFRP significantly enhances the average performance of advanced univariate forecasting models by 8.4\%. Codes can be found in https://github.com/ddz16/PFRP.
• Abstract（参考訳）: MLP、Transformer、TCNといった深層学習モデルは、単変量時系列予測において顕著な成功を収めた。 しかしながら、これらのモデルはトレーニング中に履歴情報を暗黙的にパラメータに圧縮するが、参照ウィンドウ内のローカルコンテキストのみに依存するため、推論中にこのグローバルな知識を明示的に動的にアクセスすることはできない。 これにより、グローバルな歴史から豊富なパターンを未利用にすることができる。 このギャップを埋めるために,世界史データを明示的に統合し,予測精度を高める新しい手法であるPFRP(Retrieving the Past)を提案する。 具体的には,グローバルな歴史的パターンを効果的に保存・管理するためのグローバルメモリバンク(GMB)を構築した。 次に、GMBから類似したパターンを抽出するために、検索機構を使用し、グローバルな予測の生成を可能にする。 これらのグローバル予測と任意の局所予測モデルの出力を適応的に組み合わせることで、PFRPはより正確で解釈可能な予測を生成する。 7つの実世界のデータセットで実施された大規模な実験により、PFRPは高度な単変量予測モデルの平均性能を8.4 %向上させることが示された。 コードはhttps://github.com/ddz16/PFRP.orgにある。

関連論文リスト

• Fine Flood Forecasts: Incorporating local data into global models through fine-tuning [0.46040036610482665]
  洪水は自然災害の最も一般的な形態であり、早期警戒システムには正確な洪水予報が不可欠である。 これまでの研究によると、機械学習(ML)モデルは、大規模で地理的に異なるデータセットでトレーニングされた場合の洪水予測を改善するための有望な方法である。 このグローバルトレーニングの要件は、地域のパフォーマンスを改善するためにモデルを容易に適応できない国家の予測者にとって、所有権の喪失につながる可能性がある。 我々は、MLベースの水文予測システムの運用上の障壁を低くすることを目的として、独自のデータを用いてグローバルモデルのオーナシップを欲しがる国家予測者のロードマップを提供する。
  論文  参考訳（メタデータ） (2025-04-17T01:14:21Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Rethinking the Power of Timestamps for Robust Time Series Forecasting: A Global-Local Fusion Perspective [23.617890999628514]
  時系列予測は、金融、交通、エネルギー、医療、気候など様々な産業で重要な役割を果たしてきた。 季節情報が豊富にあるため、タイムスタンプは予測技術に堅牢なグローバルガイダンスを提供する可能性を秘めている。 本稿では,これらの問題に対処する新しいフレームワークGLAFFを提案する。 このフレームワーク内では、タイムスタンプはグローバルな依存関係をキャプチャするために個別にモデル化される。
  論文  参考訳（メタデータ） (2024-09-27T12:34:08Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• 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)
• Meta-Forecasting by combining Global DeepRepresentations with Local Adaptation [12.747008878068314]
  メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。 それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。 本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
  論文  参考訳（メタデータ） (2021-11-05T11:45:02Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。