Fugu-MT 論文翻訳(概要): KAN vs LSTM Performance in Time Series Forecasting

論文の概要: KAN vs LSTM Performance in Time Series Forecasting

arxiv url: http://arxiv.org/abs/2511.18613v1
Date: Sun, 23 Nov 2025 21:09:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-25 18:34:24.927104
Title: KAN vs LSTM Performance in Time Series Forecasting
Title（参考訳）: 時系列予測におけるKAN vs LSTM性能
Authors: Tabish Ali Rather, S M Mahmudul Hasan Joy, Nadezda Sukhorukova, Federico Frascoli,
Abstract要約: 本稿では,KAN(Kolmogorov-Arnold Networks)とLSTM(Long Short-Term Memory Network)を比較し,非決定論的株価データを予測する。 LSTMは、全ての試験された予測地平線に対してかなりの優位性を示す。 LSTMの実践的な財務予測への採用を支援するとともに、特化KANアーキテクチャの継続的な研究が今後の改善をもたらす可能性があることを示唆している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper compares Kolmogorov-Arnold Networks (KAN) and Long Short-Term Memory networks (LSTM) for forecasting non-deterministic stock price data, evaluating predictive accuracy versus interpretability trade-offs using Root Mean Square Error (RMSE).LSTM demonstrates substantial superiority across all tested prediction horizons, confirming their established effectiveness for sequential data modelling. Standard KAN, while offering theoretical interpretability through the Kolmogorov-Arnold representation theorem, exhibits significantly higher error rates and limited practical applicability for time series forecasting. The results confirm LSTM dominance in accuracy-critical time series applications while identifying computational efficiency as KANs' primary advantage in resource-constrained scenarios where accuracy requirements are less stringent. The findings support LSTM adoption for practical financial forecasting while suggesting that continued research into specialised KAN architectures may yield future improvements.
Abstract（参考訳）: 本稿では,KAN(Kolmogorov-Arnold Networks)とLong Short-Term Memory Network(LSTM)を比較し,非決定論的株価データを予測し,Root Mean Square Error(RMSE)を用いて予測精度と解釈可能性トレードオフを評価する。 LSTMは、テストされた全ての予測地平線に対してかなりの優位性を示し、シーケンシャルなデータモデリングの確立された有効性を確認する。標準カンはコルモゴロフ・アルノルドの表現定理を通じて理論的な解釈可能性を提供する一方で、エラーレートが著しく高く、時系列予測の実用的な適用性が制限されている。その結果、精度クリティカルな時系列アプリケーションにおいてLSTMが優位であることを確認するとともに、精度要件が厳密でないリソース制約シナリオにおいて、計算効率をKansの第一の利点とみなすことができた。本研究は, LSTMによる財務予測の実践的採用を支援するとともに, 特化型KANアーキテクチャの継続的な研究が今後の改善をもたらす可能性を示唆している。

関連論文リスト

Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
論文参考訳（メタデータ） (2025-10-15T08:41:36Z)
A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
論文参考訳（メタデータ） (2025-10-11T09:59:25Z)
A Realistic Evaluation of Cross-Frequency Transfer Learning and Foundation Forecasting Models [32.56983347493999]
大規模時系列データセットを事前トレーニング基礎予測モデル(FFM)にキュレートするための一般的なフレームワークとして、クロス周波数転送学習(CFTL)が登場している。 CFTLは将来性を示しているが、現在のベンチマークプラクティスは、そのパフォーマンスを正確に評価するに足らない。この欠点は、小規模評価データセットへの過度な依存、計算サマリ統計におけるサンプルサイズの不適切な処理、最適以下の統計モデルの報告、事前トレーニングとテストデータセット間の重複の非無視的なリスクの考慮の欠如など、多くの要因に起因している。
論文参考訳（メタデータ） (2025-09-23T18:19:50Z)
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)
Out-of-Sample Hydrocarbon Production Forecasting: Time Series Machine Learning using Productivity Index-Driven Features and Inductive Conformal Prediction [1.1534313664323632]
本研究は, アウトオブサンプル炭化水素生産予測の堅牢性を高めるために設計された新しいMLフレームワークを紹介する。 The Volve (wells PF14, PF12) and Norne (well E1H) oil field, this study is using the historical data from the Volve (wells PF14, PF12) and Norne (well E1H) oil field, we investigated the effective of various predictive algorithm。
論文参考訳（メタデータ） (2025-08-12T19:14:46Z)
Transforming Credit Risk Analysis: A Time-Series-Driven ResE-BiLSTM Framework for Post-Loan Default Detection [12.68085308605668]
債務不履行の予測は信用リスク管理において重要な課題である。本研究では,スライドウィンドウを用いたResE-BiLSTMモデルを提案する。大規模なFreddie Mac US住宅ローンデータセットから44個の独立したコホートで評価されている。
論文参考訳（メタデータ） (2025-08-01T08:13:14Z)
Kolmogorov-Arnold Networks-based GRU and LSTM for Loan Default Early Prediction [13.227020042685687]
この研究は、GRU-KANとLSTM-KANという2つの革新的なアーキテクチャを導入し、KAN(Kolmogorov-Arnold Networks)とGRU(Gated Recurrent Units)とLSTM(Long Short-Term Memory)ネットワークを統合した。提案モデルでは,事前3ヶ月で92%以上,事前8ヶ月で88%以上の予測精度を達成し,既存のベースラインを著しく上回る結果となった。
論文参考訳（メタデータ） (2025-07-18T06:20:41Z)
Mitigating Spurious Correlations in LLMs via Causality-Aware Post-Training [57.03005244917803]
大規模言語モデル (LLMs) は、事前学習中に得られた素早い相関関係により、アウト・オブ・ディストリビューション (OOD) のサンプルで失敗することが多い。ここでは、因果認識後学習(CAPT)を通して、このような素因的相関を緩和することを目的とする。公式因果推論ベンチマークCLadderと論理推論データセットPrOntoQAの実験により、CAPTで微調整された3Bスケールの言語モデルでは、従来のSFTおよびより大きなLLMを分散処理(ID)およびOODタスクで上回る結果が得られた。
論文参考訳（メタデータ） (2025-06-11T06:30:28Z)
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)
Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文参考訳（メタデータ） (2021-04-11T16:45:18Z)

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。