論文の概要: TimePre: Bridging Accuracy, Efficiency, and Stability in Probabilistic Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2511.18539v1
• Date: Sun, 23 Nov 2025 17:10:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.890451
• Title: TimePre: Bridging Accuracy, Efficiency, and Stability in Probabilistic Time-Series Forecasting
• Title（参考訳）: TimePre:確率的時系列予測におけるブリッジ精度、効率、安定性
• Authors: Lingyu Jiang, Lingyu Xu, Peiran Li, Qianwen Ge, Dingyi Zhuang, Shuo Xing, Wenjing Chen, Xiangbo Gao, Ting-Hsuan Chen, Xueying Zhan, Xin Zhang, Ziming Zhang, Zhengzhong Tu, Michael Zielewski, Kazunori Yamada, Fangzhou Lin,
• Abstract要約: TimePreは、MCLパラダイムの分散柔軟性とモデルの効率を統一する新しいフレームワークである。 TimePreは、主要な確率的メトリクスで新しい最先端の精度を達成する。 これにより、確率予測における精度、効率、安定性の長年のギャップを埋める。
• 参考スコア（独自算出の注目度）: 30.11463473977148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic Time-Series Forecasting (PTSF) is critical for uncertainty-aware decision making, but existing generative models, such as diffusion-based approaches, are computationally prohibitive due to expensive iterative sampling. Non-sampling frameworks like Multiple Choice Learning (MCL) offer an efficient alternative, but suffer from severe training instability and hypothesis collapse, which has historically hindered their performance. This problem is dramatically exacerbated when attempting to combine them with modern, efficient MLP-based backbones. To resolve this fundamental incompatibility, we propose TimePre, a novel framework that successfully unifies the efficiency of MLP-based models with the distributional flexibility of the MCL paradigm. The core of our solution is Stabilized Instance Normalization (SIN), a novel normalization layer that explicitly remedies this incompatibility. SIN stabilizes the hybrid architecture by correcting channel-wise statistical shifts, definitively resolving the catastrophic hypothesis collapse. Extensive experiments on six benchmark datasets demonstrate that TimePre achieves new state-of-the-art accuracy on key probabilistic metrics. Critically, TimePre achieves inference speeds orders of magnitude faster than sampling-based models and, unlike prior MCL work, demonstrates stable performance scaling. It thus bridges the long-standing gap between accuracy, efficiency, and stability in probabilistic forecasting.
• Abstract（参考訳）: 確率的時系列予測(PTSF)は不確実性を考慮した意思決定には重要であるが、拡散に基づくアプローチのような既存の生成モデルは、高価な反復サンプリングのために計算的に禁止されている。 MCL(Multiple Choice Learning)のような非サンプルフレームワークは、効率的な代替手段を提供するが、厳しいトレーニングの不安定性と仮説の崩壊に悩まされており、歴史的にパフォーマンスを妨げてきた。 この問題は、近代的で効率的なMLPベースのバックボーンと組み合わせようとすると、劇的に悪化する。 この基本的な不整合性を解決するため,MCLパラダイムの分散的柔軟性とMPPモデルの有効性を両立させる新しいフレームワークであるTimePreを提案する。 我々のソリューションの中核は安定化インスタンス正規化(SIN)であり、これはこの非互換性を明確に修復する新しい正規化層である。 SINはチャネルワイズ統計シフトを補正することでハイブリッドアーキテクチャを安定化し、破滅的な仮説崩壊を確実に解決する。 6つのベンチマークデータセットに対する大規模な実験は、TimePreが主要な確率的メトリクスに対して新しい最先端の精度を達成することを示した。 重要な点として、TimePreはサンプリングベースモデルよりも桁違いに高速な推論速度を実現し、以前のMCLの作業とは異なり、安定したパフォーマンスのスケーリングを実証している。 これにより、確率予測における精度、効率、安定性の長年のギャップを埋める。

関連論文リスト

• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• RDIT: Residual-based Diffusion Implicit Models for Probabilistic Time Series Forecasting [4.140149411004857]
  RDITは、点推定と残差に基づく条件拡散と双方向のMambaネットワークを組み合わせたプラグアンドプレイフレームワークである。 RDITは, 強いベースラインに比べてCRPSの低下, 高速推論, カバレッジの向上を実現している。
  論文  参考訳（メタデータ） (2025-09-02T14:06:29Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion [13.640501360968782]
  FALDAは時系列予測のための新しい確率的フレームワークである。 コンポーネント固有のアーキテクチャが組み込まれており、個々の時間的コンポーネントをカスタマイズしたモデリングを可能にする。 6つの実世界のベンチマーク実験は、FALDAが既存の確率予測手法を一貫して上回っていることを示している。 FALDAはまた、最先端(SOTA)ポイント予測アプローチよりも優れた全体的なパフォーマンスを実現し、最大9%の改善を実現している。
  論文  参考訳（メタデータ） (2025-05-16T14:32:34Z)
• Leave-One-Out Stable Conformal Prediction [5.573524700758741]
  そこで本研究では,サンプル分割を伴わずにアルゴリズム的安定性を用いて完全共形を高速化する手法を提案する。 残余の安定性を活用することで,多数の予測要求を処理する上で,我々の手法ははるかに高速である。 提案手法は理論的に正当化され,合成および実世界のデータに対して優れた数値性能を示す。
  論文  参考訳（メタデータ） (2025-04-16T15:44:24Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• 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)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)

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。