論文の概要: CaReTS: A Multi-Task Framework Unifying Classification and Regression for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2511.09789v1
• Date: Fri, 14 Nov 2025 01:09:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.48535
• Title: CaReTS: A Multi-Task Framework Unifying Classification and Regression for Time Series Forecasting
• Title（参考訳）: CaReTS: 時系列予測の分類と回帰を統一するマルチタスクフレームワーク
• Authors: Fulong Yao, Wanqing Zhao, Chao Zheng, Xiaofei Han,
• Abstract要約: CaReTSは、分類と回帰タスクを組み合わせた新しいマルチタスク学習フレームワークである。 4つの変種(CaReTS1--4)がこのフレームワークの下でインスタンス化され、主流の時間モデリングエンコーダが組み込まれる。 実世界のデータセットの実験では、CaReTSが精度を予測するために最先端(SOTA)アルゴリズムより優れていることが示されている。
• 参考スコア（独自算出の注目度）: 7.600702118055632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in deep forecasting models have achieved remarkable performance, yet most approaches still struggle to provide both accurate predictions and interpretable insights into temporal dynamics. This paper proposes CaReTS, a novel multi-task learning framework that combines classification and regression tasks for multi-step time series forecasting problems. The framework adopts a dual-stream architecture, where a classification branch learns the stepwise trend into the future, while a regression branch estimates the corresponding deviations from the latest observation of the target variable. The dual-stream design provides more interpretable predictions by disentangling macro-level trends from micro-level deviations in the target variable. To enable effective learning in output prediction, deviation estimation, and trend classification, we design a multi-task loss with uncertainty-aware weighting to adaptively balance the contribution of each task. Furthermore, four variants (CaReTS1--4) are instantiated under this framework to incorporate mainstream temporal modelling encoders, including convolutional neural networks (CNNs), long short-term memory networks (LSTMs), and Transformers. Experiments on real-world datasets demonstrate that CaReTS outperforms state-of-the-art (SOTA) algorithms in forecasting accuracy, while achieving higher trend classification performance.
• Abstract（参考訳）: 深部予測モデルの最近の進歩は目覚ましい性能を達成しているが、ほとんどのアプローチは正確な予測と時間力学に関する解釈可能な洞察を提供するのに苦慮している。 本稿では,多段階時系列予測問題に対する分類タスクと回帰タスクを組み合わせた,新しいマルチタスク学習フレームワークCaReTSを提案する。 フレームワークは二重ストリームアーキテクチャを採用し、分類枝は、対象変数の最新の観測から対応する偏差を推定する。 二重ストリーム設計は、ターゲット変数のマイクロレベル偏差からマクロレベルのトレンドを遠ざけることによって、より解釈可能な予測を提供する。 出力予測,偏差推定,トレンド分類において効果的な学習を可能にするために,不確実性を考慮したマルチタスク損失を設計し,各タスクの寄与度を適応的にバランスさせる。 さらに、このフレームワークの下で4つの変種(CaReTS1--4)がインスタンス化され、畳み込みニューラルネットワーク(CNN)、長期記憶ネットワーク(LSTM)、トランスフォーマーなどの主流の時間的モデリングエンコーダが組み込まれる。 実世界のデータセットの実験では、CaReTSは最先端のSOTAアルゴリズムよりも高い精度で精度を予測でき、高いトレンド分類性能を実現している。

関連論文リスト

• Chronos-2: From Univariate to Universal Forecasting [52.753731922908905]
  Chronos-2は、一変量、多変量、共変量による予測タスクをゼロショットで処理できる事前訓練されたモデルである。 fev-bench、GIFT-Eval、Chronos Benchmark IIの3つの総合ベンチマークで最先端のパフォーマンスを提供する。 Chronos-2のコンテキスト内学習能力は、現実世界の予測パイプラインで"as is"として使用できる汎用予測モデルとして確立されている。
  論文  参考訳（メタデータ） (2025-10-17T17:00:53Z)
• BinConv: A Neural Architecture for Ordinal Encoding in Time-Series Forecasting [5.827431686047649]
  確率予測のために設計された完全畳み込みニューラルネットワークアーキテクチャである textbfBinConv を提案する。 BinConvは、ポイントと確率予測の両方で広く使用されているベースラインデータセットと比較して、優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-05-30T13:41:39Z)
• A Self-organizing Interval Type-2 Fuzzy Neural Network for Multi-Step Time Series Prediction [9.546043411729206]
  インターバル型2ファジィニューラルネットワーク(IT2FNN)は、単一ステップ予測タスクに対する不確実性モデリングにおいて、例外的な性能を示した。 本稿では,複数出力(SOIT2FNN-MO)を有する新しい自己組織化間隔型2ファジィニューラルネットワークを提案する。 カオスおよびマイクログリッド予測問題に対する実験結果から,SOIT2FNN-MOは最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-10T19:35:44Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)

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。