論文の概要: Structured Noise Modeling for Enhanced Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2511.19657v1
• Date: Mon, 24 Nov 2025 19:44:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.137823
• Title: Structured Noise Modeling for Enhanced Time-Series Forecasting
• Title（参考訳）: 時系列予測のための構造的ノイズモデリング
• Authors: Sepideh Koohfar,
• Abstract要約: 本研究は、構造的ノイズモデリングによる時間的忠実度を改善する予測ブルーデノエーズフレームワークを導入する。 電気、交通、太陽のデータセットにわたる実験は、マルチ水平精度と安定性において一貫した利得を示している。 このフレームワークは、エネルギー、インフラストラクチャ、その他の時間クリティカルドメインにわたる予測駆動決定サポートに使用される、より信頼性の高いAIシステムに寄与する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series forecasting remains difficult in real-world settings because temporal patterns operate at multiple scales, from broad contextual trends to fast, fine-grained fluctuations that drive critical decisions. Existing neural models often struggle to represent these interacting dynamics, leading to unstable predictions and reduced reliability in downstream applications. This work introduces a forecast-blur-denoise framework that improves temporal fidelity through structured noise modeling. The approach incorporates a learnable Gaussian Process module that generates smooth, correlated perturbations, encouraging the forecasting backbone to capture long-range structure while a dedicated refinement model restores high-resolution temporal detail. Training the components jointly enables natural competence division and avoids the artifacts commonly produced by isotropic corruption methods. Experiments across electricity, traffic, and solar datasets show consistent gains in multi-horizon accuracy and stability. The modular design also allows the blur-denoise layer to operate as a lightweight enhancement for pretrained models, supporting efficient adaptation in limited-data scenarios. By strengthening the reliability and interpretability of fine-scale temporal predictions, this framework contributes to more trustworthy AI systems used in forecasting-driven decision support across energy, infrastructure, and other time-critical domains.
• Abstract（参考訳）: 時系列の予測は、広い文脈の傾向から、決定を決定づける高速できめ細かなゆらぎに至るまで、時間的パターンが複数のスケールで実行されるため、現実の環境では難しいままである。 既存のニューラルネットワークは、これらの相互作用するダイナミクスを表現するのに苦労することが多く、不安定な予測と下流アプリケーションでの信頼性の低下につながる。 本研究は、構造的ノイズモデリングによる時間的忠実度を改善する予測ブルーデノエーズフレームワークを導入する。 このアプローチには学習可能なガウスプロセスモジュールが組み込まれており、スムーズで相関的な摂動を発生させ、予測バックボーンが長距離構造を捉えるように促し、一方で専用の精細化モデルが高解像度の時間的詳細を復元する。 コンポーネントのトレーニングは、自然能力分割を共同で実現し、等方的腐敗法で一般的に作られるアーティファクトを避ける。 電気、交通、太陽のデータセットにわたる実験は、マルチ水平精度と安定性において一貫した利得を示している。 モジュラー設計では、ぼやけたデノア層が事前訓練されたモデルの軽量化として動作し、限られたデータシナリオでの効率的な適応をサポートする。 このフレームワークは、微細な時間的予測の信頼性と解釈可能性を強化することで、エネルギー、インフラストラクチャ、その他の時間的クリティカルドメインにわたる予測駆動決定サポートに使用される、信頼性の高いAIシステムに寄与する。

関連論文リスト

• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• HADL Framework for Noise Resilient Long-Term Time Series Forecasting [0.7810572107832383]
  長期の時系列予測は、金融、経済、エネルギーといった分野において重要である。 拡張されたルックバックウィンドウにおける時間ノイズの影響は未調査であり、しばしばモデル性能と計算効率を劣化させる。 本稿では、離散ウェーブレット変換(DWT)と離散コサイン変換(DCT)を統合することで、これらの課題に対処する新しいフレームワークを提案する。 提案手法は,ノイズの多い入力に対する競合堅牢性を示し,計算複雑性を著しく低減し,多様なベンチマークデータセット間での競合性ないし最先端の予測性能を実現する。
  論文  参考訳（メタデータ） (2025-02-14T21:41:42Z)
• Conditional Denoising Meets Polynomial Modeling: A Flexible Decoupled Framework for Time Series Forecasting [5.770377200028654]
  本稿では,複雑な時間パターンをモデル化するための条件記述型多項式モデリング(CDPM)フレームワークを提案する。 結合した時系列をモデル化する代わりに、CDPMはそれを傾向と季節的な要素に分解し、個別にモデル化する。 スムーズなトレンドコンポーネントに対しては、歴史的依存関係を組み込んで線形モデルを強化するモジュールが提案されている。
  論文  参考訳（メタデータ） (2024-10-17T06:20:43Z)
• 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)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)

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。