論文の概要: Time-Aware Synthetic Control

• arxiv url: http://arxiv.org/abs/2601.03099v1
• Date: Tue, 06 Jan 2026 15:30:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.992059
• Title: Time-Aware Synthetic Control
• Title（参考訳）: 時間認識型合成制御
• Authors: Saeyoung Rho, Cyrus Illick, Samhitha Narasipura, Alberto Abadie, Daniel Hsu, Vishal Misra,
• Abstract要約: Time-Aware Synthetic Controlでは、信号の低ランク構造を維持しながら、一定の傾向を持つ状態空間モデルを採用している。 我々は、政策評価やスポーツ予測を含む、シミュレーションと実世界の両方のデータセット上でTASCを評価する。
• 参考スコア（独自算出の注目度）: 4.298879439205417
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The synthetic control (SC) framework is widely used for observational causal inference with time-series panel data. SC has been successful in diverse applications, but existing methods typically treat the ordering of pre-intervention time indices interchangeable. This invariance means they may not fully take advantage of temporal structure when strong trends are present. We propose Time-Aware Synthetic Control (TASC), which employs a state-space model with a constant trend while preserving a low-rank structure of the signal. TASC uses the Kalman filter and Rauch-Tung-Striebel smoother: it first fits a generative time-series model with expectation-maximization and then performs counterfactual inference. We evaluate TASC on both simulated and real-world datasets, including policy evaluation and sports prediction. Our results suggest that TASC offers advantages in settings with strong temporal trends and high levels of observation noise.
• Abstract（参考訳）: 合成制御(SC)フレームワークは時系列パネルデータによる観測因果推論に広く用いられている。 SCは様々な用途で成功したが、既存の手法では、インターベンション前の時間指標の順序を交換可能なものとして扱うのが一般的である。 この不変性は、強い傾向が存在するときに時間構造を完全に活用できないことを意味する。 信号の低ランク構造を保ちながら一定の傾向を持つ状態空間モデルを用いた時間認識合成制御(TASC)を提案する。 TASCはKalmanフィルタとRuch-Tung-Striebel smootherを用いており、まず予測最大化で生成時系列モデルに適合し、次に反実的推論を行う。 我々は、政策評価やスポーツ予測を含む、シミュレーションと実世界の両方のデータセット上でTASCを評価する。 以上の結果から,TASCは時間的傾向が強く,観測ノイズのレベルが高い設定で有利である可能性が示唆された。

関連論文リスト

• 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)
• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• The Relevance of AWS Chronos: An Evaluation of Standard Methods for Time Series Forecasting with Limited Tuning [0.0]
  Chronosはトランスフォーマーベースの時系列予測フレームワークである。 分析の結果,Chronosは長期予測よりも優れた性能を示すが,文脈長の増加に伴って従来のモデルでは顕著な劣化が見られた。 本研究は,限定的なモデルチューニングが実現可能な実世界のアプリケーションにChronosをデプロイするケースを提供する。
  論文  参考訳（メタデータ） (2025-01-17T14:23:54Z)
• Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series [14.400596021890863]
  医療、気候、経済などの現実世界のデータセットは、しばしば不規則な時系列として収集される。 本稿では,連続状態空間モデル (ACSSM) を時系列の連続的動的モデリングに用いるためのアモータイズ制御を提案する。
  論文  参考訳（メタデータ） (2024-10-08T01:27:46Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)

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。