論文の概要: Contrastive Time Series Forecasting with Anomalies

• arxiv url: http://arxiv.org/abs/2512.11526v1
• Date: Fri, 12 Dec 2025 12:54:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.768891
• Title: Contrastive Time Series Forecasting with Anomalies
• Title（参考訳）: 異常を考慮したコントラスト時系列予測
• Authors: Joel Ekstrand, Zahra Taghiyarrenani, Slawomir Nowaczyk,
• Abstract要約: 時系列予測は過去のデータから将来の値を予測する。 一部の異常事象は持続的な影響があり、予測に影響を与えるが、他の事象は短命であり無視されるべきである。 Co-TSFA(Contrastive Time Series Forecasting with Anomalies)は,異常を無視するタイミングと応答するタイミングを学習する正規化フレームワークである。
• 参考スコア（独自算出の注目度）: 3.4598718746610593
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Time series forecasting predicts future values from past data. In real-world settings, some anomalous events have lasting effects and influence the forecast, while others are short-lived and should be ignored. Standard forecasting models fail to make this distinction, often either overreacting to noise or missing persistent shifts. We propose Co-TSFA (Contrastive Time Series Forecasting with Anomalies), a regularization framework that learns when to ignore anomalies and when to respond. Co-TSFA generates input-only and input-output augmentations to model forecast-irrelevant and forecast-relevant anomalies, and introduces a latent-output alignment loss that ties representation changes to forecast changes. This encourages invariance to irrelevant perturbations while preserving sensitivity to meaningful distributional shifts. Experiments on the Traffic and Electricity benchmarks, as well as on a real-world cash-demand dataset, demonstrate that Co-TSFA improves performance under anomalous conditions while maintaining accuracy on normal data. An anonymized GitHub repository with the implementation of Co-TSFA is provided and will be made public upon acceptance.
• Abstract（参考訳）: 時系列予測は過去のデータから将来の値を予測する。 現実の環境では、いくつかの異常事象は持続的な影響を持ち、予測に影響を与えるが、他の事象は短命であり無視されるべきである。 標準的な予測モデルは、しばしばノイズに過度に反応するか、永続的なシフトを欠くか、この区別に失敗する。 Co-TSFA(Contrastive Time Series Forecasting with Anomalies)は,異常を無視するタイミングと応答するタイミングを学習する正規化フレームワークである。 Co-TSFAは、予測非関連および予測関連異常をモデル化するために、入力専用および入力出力拡張を生成し、予測変更に表現変更を結び付ける潜時出力アライメント損失を導入する。 これにより、意味のある分布シフトに対する感受性を維持しながら、無関係な摂動に対する不変性が促進される。 Traffic and Electricityベンチマークと現実世界のキャッシュ要求データセットの実験は、Co-TSFAが正常なデータの正確性を維持しながら異常な条件下でのパフォーマンスを改善することを実証している。 Co-TSFAを実装した匿名のGitHubリポジトリが提供されている。

関連論文リスト

• Weighted Contrastive Learning for Anomaly-Aware Time-Series Forecasting [3.769861522138544]
  Weighted Contrastive Adaptation (WECA, Weighted Contrastive Adaptation) を提案する。 ドメインインフォームド・アノマリー・インジェクションを用いた全国ATMトランザクションデータセット上でのWECAの評価を行った。
  論文  参考訳（メタデータ） (2025-12-08T14:02:31Z)
• Beyond MSE: Ordinal Cross-Entropy for Probabilistic Time Series Forecasting [11.320830769077027]
  現在のディープラーニングベースの予測モデルは、回帰モデリングにMean Squared Error(MSE)損失関数を用いる。 時系列予測のための新しい順序分類手法であるOCE-TSを提案する。 MSE と Mean Absolute Error (MAE) を評価指標として,OCE-TS がベンチマークモデルより一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-13T11:14:24Z)
• Forecast2Anomaly (F2A): Adapting Multivariate Time Series Foundation Models for Anomaly Prediction [4.113311437158182]
  Forecast2Anomaly (F2A) は, TSFMに異常予測能力を付与する新しいフレームワークである。 まず,TSFMを微調整し,異常点においても将来信号の正確な予測を行う共同予測・異常損失を提案する。 第2に、歴史的に関連する地平線と条件予測を検索するRAG(Retrieval-Augmented Generation)モジュールを導入する。
  論文  参考訳（メタデータ） (2025-11-05T03:13:26Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• Predictive inference for time series: why is split conformal effective despite temporal dependence? [8.032656343027146]
  コンフォーマル予測法は、任意の iid または交換可能なデータ分布に対して、分布のないカバレッジを提供する。 自動回帰モデルのような過去の観測を利用する予測器は、この問題をさらに悪化させる。 この結果から, 時系列内の時間的依存が交換可能性に違反する程度を計測し, 新たな「スウィッチ係数」を用いて, これらの手法のカバレッジを損なうことが示唆された。
  論文  参考訳（メタデータ） (2025-10-02T18:24:04Z)
• Stock Volume Forecasting with Advanced Information by Conditional Variational Auto-Encoder [49.97673761305336]
  本研究では,短時間・長期の予測作業において,日当たりのストックボリューム時系列の予測を改善するために,条件変動(CVAE)を用いることを実証する。 CVAEは非線形時系列をサンプル外予測として生成し、精度が向上し、実際のデータとの相関関係がより緊密になる。
  論文  参考訳（メタデータ） (2024-06-19T13:13:06Z)
• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)

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。