論文の概要: ReCast: Reliability-aware Codebook Assisted Lightweight Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2511.11991v1
• Date: Sat, 15 Nov 2025 02:11:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.487065
• Title: ReCast: Reliability-aware Codebook Assisted Lightweight Time Series Forecasting
• Title（参考訳）: ReCast:信頼性を意識したコードブックが軽量時系列予測をサポート
• Authors: Xiang Ma, Taihua Chen, Pengcheng Wang, Xuemei Li, Caiming Zhang,
• Abstract要約: 新たなtextbfReliability 対応 textbfCodebook-textbfASsisted textbfTime series forecasting framework (textbfReCast) を提案する。 ReCastは、学習可能なコードブックを使用して、パッチワイドな量子化を通じて、ローカルパターンを個別の埋め込みにエンコードする。 ReCastは、精度、効率、分散シフトへの適応性において、最先端(SOTA)モデルよりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 23.30244577147735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting is crucial for applications in various domains. Conventional methods often rely on global decomposition into trend, seasonal, and residual components, which become ineffective for real-world series dominated by local, complex, and highly dynamic patterns. Moreover, the high model complexity of such approaches limits their applicability in real-time or resource-constrained environments. In this work, we propose a novel \textbf{RE}liability-aware \textbf{C}odebook-\textbf{AS}sisted \textbf{T}ime series forecasting framework (\textbf{ReCast}) that enables lightweight and robust prediction by exploiting recurring local shapes. ReCast encodes local patterns into discrete embeddings through patch-wise quantization using a learnable codebook, thereby compactly capturing stable regular structures. To compensate for residual variations not preserved by quantization, ReCast employs a dual-path architecture comprising a quantization path for efficient modeling of regular structures and a residual path for reconstructing irregular fluctuations. A central contribution of ReCast is a reliability-aware codebook update strategy, which incrementally refines the codebook via weighted corrections. These correction weights are derived by fusing multiple reliability factors from complementary perspectives by a distributionally robust optimization (DRO) scheme, ensuring adaptability to non-stationarity and robustness to distribution shifts. Extensive experiments demonstrate that ReCast outperforms state-of-the-art (SOTA) models in accuracy, efficiency, and adaptability to distribution shifts.
• Abstract（参考訳）: 時系列予測は、様々な分野のアプリケーションに不可欠である。 伝統的な手法は、しばしばトレンド、季節、残留成分への大域的な分解に依存しており、これは局所的、複雑で、非常にダイナミックなパターンに支配される実世界のシリーズには効果がない。 さらに、そのようなアプローチの高モデル複雑さは、リアルタイムやリソース制約のある環境での適用性を制限します。 本稿では,局所的な形状を再現することで,軽量かつ堅牢な予測を可能にする,新規な \textbf{RE}liability-aware \textbf{C}odebook-\textbf{AS}sisted \textbf{T}ime series forecasting framework (\textbf{ReCast}) を提案する。 ReCastは、学習可能なコードブックを使用してパッチワイド量子化を通じて、ローカルパターンを離散埋め込みにエンコードし、安定した正規構造をコンパクトにキャプチャする。 量子化によって保存されない残差を補うために、ReCastは正規構造の効率的なモデリングのための量子化パスと不規則な変動を再構成するための残差パスからなる二重パスアーキテクチャを採用している。 ReCastの中心的なコントリビューションは、信頼性を意識したコードブック更新戦略であり、重み付けされた修正によって、コードブックを漸進的に洗練する。 これらの補正重みは、分散ロバスト最適化(DRO)スキームによって相補的な観点から複数の信頼性因子を融合させ、非定常性への適応性と分布シフトへのロバスト性を確保することによって導かれる。 大規模な実験により、ReCastは分布シフトに対する精度、効率、適応性において最先端(SOTA)モデルより優れていることが示された。

関連論文リスト

• Optimal Regularization Under Uncertainty: Distributional Robustness and Convexity Constraints [9.77322868877488]
  分布的に堅牢な最適正規化のためのフレームワークを導入する。 トレーニング分布の計算と均一な事前計算との間には,ロバストな正則化器がどのように介在するかを示す。
  論文  参考訳（メタデータ） (2025-10-03T19:35:38Z)
• Advancing Reliable Test-Time Adaptation of Vision-Language Models under Visual Variations [67.35596444651037]
  視覚言語モデル(VLM)は、素晴らしいゼロショット機能を示すが、ラベル付きデータが利用できない場合、下流タスクの分散シフトに苦慮する。 本稿では,信頼性を両面から高めるReliable Test-Time Adaptation (ReTA)法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T05:37:33Z)
• Fully Spiking Neural Networks for Unified Frame-Event Object Tracking [17.626181371045575]
  我々は、SpikeFETと呼ばれる、最初の完全なSpyking Frame-Event Trackingフレームワークを提案する。 このネットワークは、進化的局所特徴抽出とトランスフォーマーに基づくグローバルモデリングをスパイキングパラダイム内で相乗的に統合する。 提案手法は既存の手法よりも優れたトラッキング精度を実現し,消費電力を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2025-05-27T07:53:50Z)
• CANet: ChronoAdaptive Network for Enhanced Long-Term Time Series Forecasting under Non-Stationarity [0.0]
  本稿では,スタイル転送技術に触発された新しいアーキテクチャであるChoronoAdaptive Network (CANet)を紹介する。 CANetの中核は非定常適応正規化モジュールであり、スタイルブレンディングゲートと適応インスタンス正規化(AdaIN)をシームレスに統合する。 実世界のデータセットに関する実験は、CANetが最先端の手法よりも優れていることを検証し、MSEの42%、MAEの22%を達成している。
  論文  参考訳（メタデータ） (2025-04-24T20:05:33Z)
• Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
  大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。 この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
  論文  参考訳（メタデータ） (2025-03-31T10:16:03Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• Enhancing Reliability of Neural Networks at the Edge: Inverted Normalization with Stochastic Affine Transformations [0.22499166814992438]
  インメモリコンピューティングアーキテクチャに実装されたBayNNのロバスト性と推論精度を本質的に向上する手法を提案する。 実証的な結果は推論精度の優雅な低下を示し、最大で58.11%の値で改善された。
  論文  参考訳（メタデータ） (2024-01-23T00:27:31Z)
• How to train your VAE [0.0]
  変分オートエンコーダ(VAE)は、機械学習における生成モデリングと表現学習の基盤となっている。 本稿では,ELBO(エビデンス・ロウアー・バウンド)における重要な構成要素であるKLディバージェンス(Kulback-Leibler)の解釈について検討する。 提案手法は, ELBOを後続確率のガウス混合体で再定義し, 正規化項を導入し, テクスチャリアリズムを高めるためにPatchGAN識別器を用いる。
  論文  参考訳（メタデータ） (2023-09-22T19:52:28Z)

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。