論文の概要: EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2601.19022v1
• Date: Mon, 26 Jan 2026 23:15:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.093351
• Title: EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting
• Title（参考訳）: EVEREST: イベントの時系列予測のための確実なタイル対応トランスフォーマー
• Authors: Antanas Zilinskas, Robert N. Shorten, Jakub Marecek,
• Abstract要約: EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
• 参考スコア（独自算出の注目度）: 4.551615447454767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting rare events in multivariate time-series data is challenging due to severe class imbalance, long-range dependencies, and distributional uncertainty. We introduce EVEREST, a transformer-based architecture for probabilistic rare-event forecasting that delivers calibrated predictions and tail-aware risk estimation, with auxiliary interpretability via attention-based signal attribution. EVEREST integrates four components: (i) a learnable attention bottleneck for soft aggregation of temporal dynamics; (ii) an evidential head for estimating aleatoric and epistemic uncertainty via a Normal--Inverse--Gamma distribution; (iii) an extreme-value head that models tail risk using a Generalized Pareto Distribution; and (iv) a lightweight precursor head for early-event detection. These modules are jointly optimized with a composite loss (focal loss, evidential NLL, and a tail-sensitive EVT penalty) and act only at training time; deployment uses a single classification head with no inference overhead (approximately 0.81M parameters). On a decade of space-weather data, EVEREST achieves state-of-the-art True Skill Statistic (TSS) of 0.973/0.970/0.966 at 24/48/72-hour horizons for C-class flares. The model is compact, efficient to train on commodity hardware, and applicable to high-stakes domains such as industrial monitoring, weather, and satellite diagnostics. Limitations include reliance on fixed-length inputs and exclusion of image-based modalities, motivating future extensions to streaming and multimodal forecasting.
• Abstract（参考訳）: 多変量時系列データにおける稀な事象の予測は、厳密なクラス不均衡、長距離依存、分布の不確実性のために困難である。 EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャで,キャリブレーション予測とテールアウェアリスク推定を実現し,アテンションベースの信号属性による補助的解釈性を実現する。 EVERESTは4つのコンポーネントを統合している。 一 時相力学のソフトアグリゲーションのための学習可能な注意ボトルネック 二 正常-逆-ガンマ分布による動脈及びてんかんの不確実性を推定するための明らかな頭部 三 一般化されたパレート分布を用いて尾リスクをモデル化した極値ヘッド (四)早期検知のための軽量前駆体ヘッド。 これらのモジュールは複合損失(焦点損失、明らかなNLL、テールセンシティブなEVTペナルティ)で共同最適化され、トレーニング時にのみ動作する。 EVERESTは10年間の宇宙天気データに基づいて、C級フレアの24/48/72時間水平線で0.973/0.970/0.966の最先端のTrue Skill Statistic (TSS)を達成している。 モデルはコンパクトで、コモディティハードウェア上でのトレーニングに効率的であり、産業監視、天気予報、衛星診断などの高度な領域に適用できる。 制限には、固定長入力への依存、画像ベースのモダリティの排除、ストリーミングやマルチモーダル予測への将来の拡張の動機付けが含まれる。

関連論文リスト

• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• Optimal Look-back Horizon for Time Series Forecasting in Federated Learning [26.070107882914844]
  本稿では,フェデレート時系列予測における適応的地平面選択の原理的枠組みを提案する。 我々は予測損失をベイズ項に分解し、既約不確実性を反映する。 予測損失の総和は、既約損失が飽和し始める最小の地平線で最小化され、近似損失は増加し続けることを示す。
  論文  参考訳（メタデータ） (2025-11-16T21:46:54Z)
• Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series [1.0874100424278175]
  半導体製造における異常予測には いくつか重要な課題があります 変数間の複雑な相互依存性は、異常予測と根本原因分析の両方を複雑にする。 本稿では,異常検出から異常予測まで,新たな2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-23T16:33:52Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Evidential time-to-event prediction with calibrated uncertainty quantification [12.446406577462069]
  Time-to-event分析は、臨床予後と治療勧告に関する洞察を提供する。 本稿では,時間とイベントの予測に特化して設計された明らかな回帰モデルを提案する。 我々のモデルは正確かつ信頼性の高い性能を提供し、最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-12T15:06:04Z)
• Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting [19.383395337330082]
  本稿では,CCDM(Contrastive Conditional Diffusion)モデルを提案する。 提案したCCDMは,現在最先端の拡散予測器と比較して優れた予測能力を示すことができる。
  論文  参考訳（メタデータ） (2024-10-03T03:13:15Z)
• 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)
• 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） (2022-06-16T06:13:53Z)

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。