論文の概要: Multi-layer Stack Ensembles for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2511.15350v1
• Date: Wed, 19 Nov 2025 11:21:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.779037
• Title: Multi-layer Stack Ensembles for Time Series Forecasting
• Title（参考訳）: 時系列予測のための多層スタックアンサンブル
• Authors: Nathanael Bosch, Oleksandr Shchur, Nick Erickson, Michael Bohlke-Schneider, Caner Türkmen,
• Abstract要約: 組立は機械学習モデルの精度を向上させるための強力な技術である。 実世界の50のデータセットにわたる33のアンサンブルモデルを評価する。 時系列予測のための多層積み重ねフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 20.643484889051425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensembling is a powerful technique for improving the accuracy of machine learning models, with methods like stacking achieving strong results in tabular tasks. In time series forecasting, however, ensemble methods remain underutilized, with simple linear combinations still considered state-of-the-art. In this paper, we systematically explore ensembling strategies for time series forecasting. We evaluate 33 ensemble models -- both existing and novel -- across 50 real-world datasets. Our results show that stacking consistently improves accuracy, though no single stacker performs best across all tasks. To address this, we propose a multi-layer stacking framework for time series forecasting, an approach that combines the strengths of different stacker models. We demonstrate that this method consistently provides superior accuracy across diverse forecasting scenarios. Our findings highlight the potential of stacking-based methods to improve AutoML systems for time series forecasting.
• Abstract（参考訳）: 組立は機械学習モデルの精度を向上させるための強力なテクニックであり、表のタスクで強力な結果を達成する方法のような方法がある。 しかし、時系列予測ではアンサンブル法は未利用のままであり、単純な線形結合は依然として最先端と見なされている。 本稿では,時系列予測のためのアンサンブル戦略を体系的に検討する。 我々は、50の現実世界のデータセットに対して、33のアンサンブルモデル(既存モデルと新規モデルの両方)を評価します。 以上の結果から,スタックの精度は一貫して向上するが,すべてのタスクにおいて最善を尽くすスタックは存在しない。 そこで本研究では,時系列予測のためのマルチレイヤ・スタックリング・フレームワークを提案する。 我々は,この手法が様々な予測シナリオに対して常に優れた精度を提供することを示した。 本研究は、時系列予測のための自動MLシステムを改善するスタック方式の可能性を明らかにするものである。

関連論文リスト

• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• Scalable Permutation-Aware Modeling for Temporal Set Prediction [8.122126170969365]
  時間的集合予測は、先行集合の列が与えられたとき、次の集合に現れる要素を予測することを伴う。 既存の手法はしばしば計算オーバーヘッドがかなり大きい複雑なアーキテクチャに依存している。 我々は、置換同変および置換同変変換を利用する、新しくスケーラブルなフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-04-23T23:14:35Z)
• Can time series forecasting be automated? A benchmark and analysis [4.19475889117731]
  時系列予測は、金融、医療、気象など様々な分野において重要な役割を担っている。 与えられたデータセットに対して最適な予測方法を選択するタスクは、データパターンや特徴の多様性による複雑なタスクである。 本研究では,幅広いデータセットを対象とした時系列予測手法の評価とランキングのための総合ベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-07-23T12:54:06Z)
• Chronos: Learning the Language of Time Series [79.38691251254173]
  Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。 クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-03-12T16:53:54Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Ensembles of Randomized NNs for Pattern-based Time Series Forecasting [0.0]
  本稿では,ランダム化ニューラルネットワークに基づくアンサンブル予測手法を提案する。 時系列のパターンに基づく表現は、複数の季節の時系列を予測するのに適している。 4つの実世界の予測問題に対するケーススタディにより,提案手法の有効性と性能が検証された。
  論文  参考訳（メタデータ） (2021-07-08T20:13:50Z)
• StackGenVis: Alignment of Data, Algorithms, and Models for Stacking Ensemble Learning Using Performance Metrics [4.237343083490243]
  機械学習(ML)では、バッグング、ブースティング、スタックングといったアンサンブル手法が広く確立されている。 StackGenVisは、スタック化された一般化のためのビジュアル分析システムである。
  論文  参考訳（メタデータ） (2020-05-04T15:43:55Z)

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。