論文の概要: Optimal Look-back Horizon for Time Series Forecasting in Federated Learning

• arxiv url: http://arxiv.org/abs/2511.12791v2
• Date: Tue, 18 Nov 2025 03:36:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 13:59:16.790153
• Title: Optimal Look-back Horizon for Time Series Forecasting in Federated Learning
• Title（参考訳）: フェデレーション学習における時系列予測のための最適ルックバックホライゾン
• Authors: Dahao Tang, Nan Yang, Yanli Li, Zhiyu Zhu, Zhibo Jin, Dong Yuan,
• Abstract要約: 本稿では,フェデレート時系列予測における適応的地平面選択の原理的枠組みを提案する。 我々は予測損失をベイズ項に分解し、既約不確実性を反映する。 予測損失の総和は、既約損失が飽和し始める最小の地平線で最小化され、近似損失は増加し続けることを示す。
• 参考スコア（独自算出の注目度）: 26.070107882914844
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Selecting an appropriate look-back horizon remains a fundamental challenge in time series forecasting (TSF), particularly in the federated learning scenarios where data is decentralized, heterogeneous, and often non-independent. While recent work has explored horizon selection by preserving forecasting-relevant information in an intrinsic space, these approaches are primarily restricted to centralized and independently distributed settings. This paper presents a principled framework for adaptive horizon selection in federated time series forecasting through an intrinsic space formulation. We introduce a synthetic data generator (SDG) that captures essential temporal structures in client data, including autoregressive dependencies, seasonality, and trend, while incorporating client-specific heterogeneity. Building on this model, we define a transformation that maps time series windows into an intrinsic representation space with well-defined geometric and statistical properties. We then derive a decomposition of the forecasting loss into a Bayesian term, which reflects irreducible uncertainty, and an approximation term, which accounts for finite-sample effects and limited model capacity. Our analysis shows that while increasing the look-back horizon improves the identifiability of deterministic patterns, it also increases approximation error due to higher model complexity and reduced sample efficiency. We prove that the total forecasting loss is minimized at the smallest horizon where the irreducible loss starts to saturate, while the approximation loss continues to rise. This work provides a rigorous theoretical foundation for adaptive horizon selection for time series forecasting in federated learning.
• Abstract（参考訳）: 適切な振り返りの地平線を選択することは、時系列予測(TSF)において、特にデータが分散化され、不均一であり、しばしば非独立である連邦学習シナリオにおいて、基本的な課題である。 最近の研究は、本質的な空間における予測関連情報を保存することによって地平線選択を検討してきたが、これらのアプローチは主に中央集権的かつ独立的な分散設定に限られている。 本稿では,内在空間の定式化による時系列予測における適応的地平面選択の原理的枠組みを提案する。 本稿では,クライアント固有の不均一性を取り入れつつ,自己回帰依存,季節性,トレンドを含むクライアントデータの本質的時間構造をキャプチャする合成データ生成装置(SDG)を提案する。 このモデルに基づいて、時系列ウィンドウを、よく定義された幾何学的および統計的性質を持つ固有表現空間にマッピングする変換を定義する。 次に、予測損失を、既約不確実性を反映したベイズ項と、有限サンプル効果と限定モデルキャパシティを考慮に入れた近似項に分解する。 分析の結果,見返り地平線の増加は決定論的パターンの識別性を向上させるが,モデル複雑性の増大とサンプル効率の低下による近似誤差も増大させることがわかった。 予測損失の総和は、既約損失が飽和し始める最小の地平線で最小化され、近似損失は増加し続けることを示す。 この研究は、連合学習における時系列予測のための適応的地平線選択のための厳密な理論基盤を提供する。

関連論文リスト

• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• Data-Driven Forecasting of High-Dimensional Transient and Stationary Processes via Space-Time Projection [0.0]
  時空間投影(STP)は,高次元および時間分解データに対するデータ駆動予測手法として導入された。 この方法は、後流と予測間隔の両方からなる予測水平線にまたがるトレーニングデータから、拡張時空間固有モードを算出する。
  論文  参考訳（メタデータ） (2025-03-31T03:36:59Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Spatiotemporal Forecasting in Climate Data Using EOFs and Machine Learning Models: A Case Study in Chile [0.0]
  本研究は、時系列予測のための機械学習(ML)手法と確立された統計的手法を統合する、革新的で効率的なハイブリッド手法を用いる。 この手法はチリの領域をカバーする気候データグリッドに適用される。
  論文  参考訳（メタデータ） (2025-02-21T01:34:38Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Assessment of Spatio-Temporal Predictors in the Presence of Missing and Heterogeneous Data [23.280400290071732]
  ディープラーニングアプローチは、複雑さとスケールの増大にもかかわらず、現代的なデータのモデリングにおいて、卓越した予測性能を達成する。 予測モデルの品質を評価することは、従来の統計的仮定がもはや持たないため、より困難になる。 本稿では,時間的・時間的予測型ニューラルモデルの最適性を評価するための残差分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-03T12:55:08Z)
• RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
  古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。 本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。 粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
  論文  参考訳（メタデータ） (2021-06-10T21:49:23Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。