論文の概要: What Matters in Deep Learning for Time Series Forecasting?

• arxiv url: http://arxiv.org/abs/2512.22702v1
• Date: Sat, 27 Dec 2025 20:50:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.184131
• Title: What Matters in Deep Learning for Time Series Forecasting?
• Title（参考訳）: 時系列予測におけるディープラーニングの意義
• Authors: Valentina Moretti, Andrea Cini, Ivan Marisca, Cesare Alippi,
• Abstract要約: 我々は、しばしば予期せぬ、観察された結果を説明することができる設計の次元とトレードオフについて議論する。 本稿では,時系列群予測の原理に基づくモデル設計の必要性について論じる。 これらの側面を考慮に入れることは、特定のシーケンス・モデリング・レイヤを採用するよりも正確な結果を得るのに有効であることを示す。
• 参考スコア（独自算出の注目度）: 23.46740873701343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models have grown increasingly popular in time series applications. However, the large quantity of newly proposed architectures, together with often contradictory empirical results, makes it difficult to assess which components contribute significantly to final performance. We aim to make sense of the current design space of deep learning architectures for time series forecasting by discussing the design dimensions and trade-offs that can explain, often unexpected, observed results. This paper discusses the necessity of grounding model design on principles for forecasting groups of time series and how such principles can be applied to current models. In particular, we assess how concepts such as locality and globality apply to recent forecasting architectures. We show that accounting for these aspects can be more relevant for achieving accurate results than adopting specific sequence modeling layers and that simple, well-designed forecasting architectures can often match the state of the art. We discuss how overlooked implementation details in existing architectures (1) fundamentally change the class of the resulting forecasting method and (2) drastically affect the observed empirical results. Our results call for rethinking current faulty benchmarking practices and the need to focus on the foundational aspects of the forecasting problem when designing architectures. As a step in this direction, we propose an auxiliary forecasting model card, whose fields serve to characterize existing and new forecasting architectures based on key design choices.
• Abstract（参考訳）: ディープラーニングモデルは、時系列アプリケーションでますます人気が高まっている。 しかし、しばしば矛盾する経験的な結果とともに、新しく提案されたアーキテクチャの膨大な量は、どのコンポーネントが最終性能に大きく貢献するかを評価するのを困難にしている。 我々は、時系列予測のためのディープラーニングアーキテクチャの現在の設計空間を、しばしば予期せぬ、観察された結果を説明することができる設計の次元とトレードオフを議論することによって理解することを目指している。 本稿では,時系列群予測の原理に基づくモデル設計の必要性と,その原理が現在のモデルにどのように適用できるかを論じる。 特に,局所性やグローバル性といった概念が近年の予測アーキテクチャにどのように適用されるかを評価する。 これらの側面を説明することは、特定のシーケンス・モデリング・レイヤを採用するよりも正確な結果を得るのに有用であり、シンプルでよく設計された予測アーキテクチャは、しばしば最先端の予測アーキテクチャと一致することが示される。 本稿では,既存のアーキテクチャにおける実装の詳細の見落としについて論じる。(1) 結果の予測方法のクラスを根本的に変更し,(2) 観察された経験的結果に大きく影響する。 我々の結果は、現在の欠陥のあるベンチマークプラクティスを再考し、アーキテクチャを設計する際の予測問題の基本的な側面に焦点を合わせる必要があることを要求する。 この方向へのステップとして、キーデザインの選択に基づいて、既存の予測アーキテクチャと新しい予測アーキテクチャを特徴付けるフィールドを持つ補助予測モデルカードを提案する。

関連論文リスト

• Modèles de Fondation et Ajustement : Vers une Nouvelle Génération de Modèles pour la Prévision des Séries Temporelles [26.28141834580785]
  ゼロショット時系列予測のための基礎モデルが開発されている。 これらのモデルは点予測と確率予測の両方に対して一般化可能な表現を学ぶ。 プレトレーニング後の微調整が特定のデータセットに与える影響について検討した。
  論文  参考訳（メタデータ） (2025-11-27T18:19:20Z)
• Understanding the Implicit Biases of Design Choices for Time Series Foundation Models [90.894232610821]
  時系列基礎モデル(TSFM)は、時系列予測と関連する時間的タスクのための潜在的に強力で汎用的なツールのクラスである。 彼らの行動はデザインの微妙な帰納的バイアスによって強く形作られています。 モデルやデータの性質によって、これらのバイアスが直感的であるか、非常に直感的であるかを示す。
  論文  参考訳（メタデータ） (2025-10-22T04:42:35Z)
• A Guide to Robust Generalization: The Impact of Architecture, Pre-training, and Optimization Strategy [50.33847176405776]
  6つのデータセット,40の事前訓練アーキテクチャ,2つの特別な損失,3つの適応プロトコルにまたがる実験的検討を行った。 大規模なデータセット上で教師付きで事前訓練された畳み込みニューラルネットワークは、しばしば最高のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-08-12T19:38:35Z)
• TimeRecipe: A Time-Series Forecasting Recipe via Benchmarking Module Level Effectiveness [21.753566949357026]
  TimeRecipeはモジュールレベルで時系列予測メソッドを体系的に評価するフレームワークである。 TimeRecipeは、個々のコンポーネントの有効性を評価するために、1万以上の実験を行います。 以上の結果から,設計空間の徹底的な探索により,既存の最先端手法よりも優れたモデルが得られることがわかった。
  論文  参考訳（メタデータ） (2025-06-06T19:11:48Z)
• A Survey of Model Architectures in Information Retrieval [59.61734783818073]
  2019年から現在までの期間は、情報検索(IR)と自然言語処理(NLP)における最大のパラダイムシフトの1つとなっている。 従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。 今後の課題と今後の方向性について、先見的な議論で締めくくります。
  論文  参考訳（メタデータ） (2025-02-20T18:42:58Z)
• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• Optimizing Time Series Forecasting Architectures: A Hierarchical Neural Architecture Search Approach [9.706293832806082]
  本稿では,時系列予測タスクのための階層型ニューラルネットワーク探索手法を提案する。 階層型検索空間の設計により,タスク予測用に設計された多くのアーキテクチャタイプを組み込んだ。 長期予測タスクの結果から,本手法が軽量な高性能予測アーキテクチャを探索できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-07T17:02:37Z)
• Graph Deep Learning for Time Series Forecasting [25.911123797362315]
  グラフベースの予測器は、時系列コレクションにまたがるグラフの予測を条件付けすることで、ペアワイズな関係を利用する。 本チュートリアルでは,予測問題を形式化し,グラフベースの予測器の設計原理を提供する包括的方法論フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T16:26:38Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。