論文の概要: Rethinking Recurrent Neural Networks for Time Series Forecasting: A Reinforced Recurrent Encoder with Prediction-Oriented Proximal Policy Optimization

• arxiv url: http://arxiv.org/abs/2601.03683v1
• Date: Wed, 07 Jan 2026 08:16:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.158126
• Title: Rethinking Recurrent Neural Networks for Time Series Forecasting: A Reinforced Recurrent Encoder with Prediction-Oriented Proximal Policy Optimization
• Title（参考訳）: 時系列予測のためのリカレントニューラルネットワークの再検討:予測指向の近似ポリシー最適化を備えたリカレントエンコーダ
• Authors: Xin Lai, Shiming Deng, Lu Yu, Yumin Lai, Shenghao Qiao, Xinze Zhang,
• Abstract要約: 時系列予測は意思決定を支援するために,現代工学情報システムにおいて重要な役割を担っている。 リカレントニューラルネットワーク(RNN)は、シーケンシャルデータをモデル化する能力のために広く採用されている。 予測指向の近似ポリシー最適化, RRE-PPO4Pred を用いたReinforced Recurrentを提案する。
• 参考スコア（独自算出の注目度）: 9.29656592637701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting plays a crucial role in contemporary engineering information systems for supporting decision-making across various industries, where Recurrent Neural Networks (RNNs) have been widely adopted due to their capability in modeling sequential data. Conventional RNN-based predictors adopt an encoder-only strategy with sliding historical windows as inputs to forecast future values. However, this approach treats all time steps and hidden states equally without considering their distinct contributions to forecasting, leading to suboptimal performance. To address this limitation, we propose a novel Reinforced Recurrent Encoder with Prediction-oriented Proximal Policy Optimization, RRE-PPO4Pred, which significantly improves time series modeling capacity and forecasting accuracy of the RNN models. The core innovations of this method are: (1) A novel Reinforced Recurrent Encoder (RRE) framework that enhances RNNs by formulating their internal adaptation as a Markov Decision Process, creating a unified decision environment capable of learning input feature selection, hidden skip connection, and output target selection; (2) An improved Prediction-oriented Proximal Policy Optimization algorithm, termed PPO4Pred, which is equipped with a Transformer-based agent for temporal reasoning and develops a dynamic transition sampling strategy to enhance sampling efficiency; (3) A co-evolutionary optimization paradigm to facilitate the learning of the RNN predictor and the policy agent, providing adaptive and interactive time series modeling. Comprehensive evaluations on five real-world datasets indicate that our method consistently outperforms existing baselines, and attains accuracy better than state-of-the-art Transformer models, thus providing an advanced time series predictor in engineering informatics.
• Abstract（参考訳）: リカレントニューラルネットワーク(RNN)がシーケンシャルデータをモデル化する能力によって広く採用されている,さまざまな産業における意思決定を支援するための現代技術情報システムにおいて,時系列予測は重要な役割を担っている。 従来のRNNベースの予測器は、過去のウィンドウをスライドさせたエンコーダのみの戦略を、将来の値を予測する入力として採用している。 しかし、このアプローチは、予測への明確な貢献を考慮せずに、全ての時間ステップと隠された状態を均等に扱い、最適以下のパフォーマンスをもたらす。 この制限に対処するため,RNNモデルの時系列モデリング能力と予測精度を大幅に向上させる予測指向のPPO4Predを用いたReinforced Recurrent Encoderを提案する。 本手法の中核となる革新は,(1)RNNの内部適応をマルコフ決定プロセスとして定式化し,入力特徴選択,隠れスキップ接続,出力目標選択を学習可能な統一的な決定環境を構築すること,(2)時間的推論のためのトランスフォーマーベースのエージェントを備えた予測指向近似最適化アルゴリズムであるPPO4Pred,(3)RNN予測器とポリシーエージェントの学習を促進するための動的遷移サンプリング戦略を開発すること,などである。 5つの実世界のデータセットに対する総合的な評価は、我々の手法が既存のベースラインを一貫して上回り、最先端のTransformerモデルよりも精度が高いことを示す。

関連論文リスト

• Temporal convolutional and fusional transformer model with Bi-LSTM encoder-decoder for multi-time-window remaining useful life prediction [0.0]
  本稿では,時間的特徴抽出のための時間的畳み込みネットワーク(TCN)を統合した新しいフレームワークを提案する。 このアーキテクチャは、健全な時間パターンを強調しながら、短期間および長期の依存関係を効果的にブリッジする。 提案モデルでは平均RMSEを最大5.5%削減し,最先端手法と比較して予測精度を向上した。
  論文  参考訳（メタデータ） (2025-11-06T11:29:57Z)
• Optimizers Qualitatively Alter Solutions And We Should Leverage This [62.662640460717476]
  ディープニューラルネットワーク(DNN)は、SGDのようなローカル情報のみを使用する場合、損失のグローバルな最小限に収束することを保証できない。 コミュニティは、既存のメソッドのバイアスを理解すること、また、ソリューションの特定の特性を誘発する明示的な意図で、新しいDNNを構築することを目的としている。
  論文  参考訳（メタデータ） (2025-07-16T13:33:31Z)
• IRNN: Innovation-driven Recurrent Neural Network for Time-Series Data Modeling and Prediction [22.332696262170284]
  本稿では、時系列データモデリングと予測タスクに適した新しいRNNアーキテクチャであるInnovation-driven RNN(IRNN)を提案する。 KFからRNNへの「革新」の概念の適用により、過去の予測エラーを追加入力信号として採用し、RNNの隠れ状態を更新する。 実世界のベンチマークデータセットの実験から、RNNの様々な形態へのイノベーションの統合は、IRNNの予測精度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-05-09T09:43:40Z)
• Efficient Safety Alignment of Large Language Models via Preference Re-ranking and Representation-based Reward Modeling [84.00480999255628]
  大規模言語モデル(LLM)の安全性アライメントのための強化学習アルゴリズムは,分散シフトの課題に直面している。 現在のアプローチでは、ターゲットポリシーからのオンラインサンプリングを通じてこの問題に対処するのが一般的である。 モデル固有の安全判断能力を活用して報酬信号を抽出する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-13T06:40:34Z)
• Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
  本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。 提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。 合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
  論文  参考訳（メタデータ） (2025-02-25T16:15:35Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Learning Global and Local Features of Power Load Series Through Transformer and 2D-CNN: An Image-based Multi-step Forecasting Approach Incorporating Phase Space Reconstruction [1.9458156037869137]
  本研究では,PSRをニューラルネットワークと微妙に統合し,エンドツーエンドの学習システムを構築することで,新たな多段階予測手法を提案する。 PSR-GALIENと呼ばれる新しいディープラーニングモデルが設計され、トランスフォーマーと2D-CNNが画像のグローバルパターンとローカルパターンの抽出に使用される。 その結果,6つの最先端ディープラーニングモデルと比較して,PSR-GALIENの予測性能はこれらのベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-07-16T09:59:13Z)
• Q-value Regularized Transformer for Offline Reinforcement Learning [70.13643741130899]
  オフライン強化学習(RL)における最先端化のためのQ値正規化変換器(QT)を提案する。 QTはアクション値関数を学習し、条件付きシーケンスモデリング(CSM)のトレーニング損失にアクション値を最大化する用語を統合する D4RLベンチマークデータセットの実証評価は、従来のDP法やCSM法よりもQTの方が優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-27T12:12:39Z)
• Deep-Ensemble-Based Uncertainty Quantification in Spatiotemporal Graph Neural Networks for Traffic Forecasting [2.088376060651494]
  本稿では,短期交通予測のための最先端手法である拡散畳み込みリカレントニューラルネットワーク(DCRNN)に注目した。 我々はDCRNNの不確実性を定量化するスケーラブルなディープアンサンブル手法を開発した。 我々の汎用的かつスケーラブルなアプローチは、現在最先端のベイズ的手法や、多くの一般的な頻繁な手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-04T16:10:55Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)

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。