論文の概要: Zero-shot Forecasting by Simulation Alone

• arxiv url: http://arxiv.org/abs/2601.00970v1
• Date: Fri, 02 Jan 2026 19:41:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.889003
• Title: Zero-shot Forecasting by Simulation Alone
• Title（参考訳）: シミュレーションによるゼロショット予測
• Authors: Boris N. Oreshkin, Mayank Jauhari, Ravi Kiran Selvam, Malcolm Wolff, Wenhao Pan, Shankar Ramasubramanian, Kin G. Olivares, Tatiana Konstantinova, Andres Potapczynski, Mengfei Cao, Dmitry Efimov, Michael W. Mahoney, Andrew G. Wilson,
• Abstract要約: 時系列予測は大きな可能性を秘めているが、まだ初期段階にあり、限られた偏見のあるデータコーパス、漏れやすい評価、プライバシーとライセンスの制約によって妨げられている。 そこで本研究では,オンザフライデータ生成に十分な速度で同時に動作する,初の実用的一変量時系列シミュレーションパイプラインを提案する。 我々のシミュレーターはSarSim0(SARIMA Simulator for Zero-Shot Forecasting)と呼ばれ、季節ごとの自己回帰統合移動平均(SARIMA)モデルをコアデータソースとして使っている。
• 参考スコア（独自算出の注目度）: 31.52496942175924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Zero-shot time-series forecasting holds great promise, but is still in its infancy, hindered by limited and biased data corpora, leakage-prone evaluation, and privacy and licensing constraints. Motivated by these challenges, we propose the first practical univariate time series simulation pipeline which is simultaneously fast enough for on-the-fly data generation and enables notable zero-shot forecasting performance on M-Series and GiftEval benchmarks that capture trend/seasonality/intermittency patterns, typical of industrial forecasting applications across a variety of domains. Our simulator, which we call SarSim0 (SARIMA Simulator for Zero-Shot Forecasting), is based off of a seasonal autoregressive integrated moving average (SARIMA) model as its core data source. Due to instability in the autoregressive component, naive SARIMA simulation often leads to unusable paths. Instead, we follow a three-step procedure: (1) we sample well-behaved trajectories from its characteristic polynomial stability region; (2) we introduce a superposition scheme that combines multiple paths into rich multi-seasonality traces; and (3) we add rate-based heavy-tailed noise models to capture burstiness and intermittency alongside seasonalities and trends. SarSim0 is orders of magnitude faster than kernel-based generators, and it enables training on circa 1B unique purely simulated series, generated on the fly; after which well-established neural network backbones exhibit strong zero-shot generalization, surpassing strong statistical forecasters and recent foundation baselines, while operating under strict zero-shot protocol. Notably, on GiftEval we observe a "student-beats-teacher" effect: models trained on our simulations exceed the forecasting accuracy of the AutoARIMA generating processes.
• Abstract（参考訳）: ゼロショットの時系列予測は大きな可能性を秘めているが、まだ初期段階にあり、データコーパスの制限とバイアス、リークリスク評価、プライバシとライセンスの制約によって妨げられている。 これらの課題に乗じて、本研究では、オンザフライデータ生成に十分な速さで同時に、様々な領域にわたる産業予測アプリケーションに典型的なトレンド/季節/干渉パターンをキャプチャするM系列およびGftEvalベンチマークにおいて、顕著なゼロショット予測性能を実現する、初の実用的単変量時系列シミュレーションパイプラインを提案する。 我々のシミュレーターはSarSim0(SARIMA Simulator for Zero-Shot Forecasting)と呼ばれ、季節ごとの自己回帰統合移動平均(SARIMA)モデルをコアデータソースとして使っている。 自己回帰成分の不安定さのため、単純SARIMAシミュレーションはしばしば使用不能な経路につながる。 代わりに,(1)その特性的多項式安定領域から良好な軌道をサンプリングし,(2)複数の経路をリッチな多調性トレースに組み合わせた重ね合わせ方式を導入し,(3)周期性や傾向とともにバースト性や断続性を捉えるために,速度に基づく重み付きノイズモデルを追加する。 SarSim0はカーネルベースのジェネレータよりも桁違い高速で、オンザフライで生成される1Bのユニークなシミュレーションシリーズのトレーニングを可能にする。その後、確立されたニューラルネットワークバックボーンは、厳密なゼロショットプロトコルの下で運用しながら、強力な統計予測器と最近の基盤線を越えながら、強力なゼロショット一般化を示す。 シミュレーションで訓練されたモデルは、AutoARIMA生成プロセスの予測精度を超える。

関連論文リスト

• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• Context-aware Learned Mesh-based Simulation via Trajectory-Level Meta-Learning [20.72669976554826]
  Learned Graph Network Simulators (GNS)は、従来のメッシュベースの物理シミュレータに代わる有望な代替手段を提供する。 その速度と固有の微分性は、ロボット操作や製造最適化のような高速で正確なシミュレーションを必要とするアプリケーションに適している。 動作プリミティブを用いて、1つのモデルコールから高速で安定で正確なシミュレーションを直接予測する。
  論文  参考訳（メタデータ） (2025-11-07T13:34:02Z)
• TempoPFN: Synthetic Pre-training of Linear RNNs for Zero-shot Time Series Forecasting [42.2854432715079]
  本稿では,線形リカレントニューラルネットワーク(RNN)に基づく時系列基礎モデルであるTempoPFNについて述べる。 このモデルは、状態ウィービングを備えたGatedDeltaProductアーキテクチャを使用して、シーケンスの長さにわたって完全に並列化可能なトレーニングを行う。
  論文  参考訳（メタデータ） (2025-10-29T13:27:18Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Continuous Visual Autoregressive Generation via Score Maximization [69.67438563485887]
  本稿では,ベクトル量子化なしで直接視覚的自己回帰生成を可能にする連続VARフレームワークを提案する。 このフレームワークの中で必要なのは、厳密な適切なスコアを選択し、最適化のトレーニング目標として設定することだけです。
  論文  参考訳（メタデータ） (2025-05-12T17:58:14Z)
• Modeling Spatial Extremes using Non-Gaussian Spatial Autoregressive Models via Convolutional Neural Networks [14.37149160708975]
  本稿では,空間的自己回帰モデリングフレームワークを提案する。このフレームワークは,位置とその近傍の観測を独立確率変数にマッピングする。 特に,SARモデルと一般化極値分布の革新について検討し,中心格子位置での観測と近傍の観測を組み合わせた。 本モデルを用いて,ERA-Interim-driven Weather Research and Forecasting (WRF) シミュレーションによる年間降水量の分析を行った。
  論文  参考訳（メタデータ） (2025-05-05T21:26:02Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Data-Driven Traffic Simulation for an Intersection in a Metropolis [7.264786765085108]
  道路交差点における交通をモデル化するための新しいデータ駆動シミュレーション環境を提案する。 エージェントの相互作用と環境制約を学習するために,軌道予測モデルを訓練する。 シミュレーションは、自律的に、または、生成分布に条件付けされた明示的な人間の制御の下で実行することができる。
  論文  参考訳（メタデータ） (2024-08-01T22:25:06Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。