論文の概要: The Forecast After the Forecast: A Post-Processing Shift in Time Series

• arxiv url: http://arxiv.org/abs/2601.20280v1
• Date: Wed, 28 Jan 2026 05:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.789062
• Title: The Forecast After the Forecast: A Post-Processing Shift in Time Series
• Title（参考訳）: 予測後の予測: 時系列における後の変化
• Authors: Daojun Liang, Qi Li, Yinglong Wang, Jing Chen, Hu Zhang, Xiaoxiao Cui, Qizheng Wang, Shuo Li,
• Abstract要約: 本稿では,デプロイされた時系列予測器を再トレーニングせずに強化する軽量でアーキテクチャに依存しない手法を提案する。 $$-Adapterは2つのインターフェイスで小さな有界モジュールを学習する。 入力を介して粗い水平対応マスクを学習して重要な特徴を選択することで、機能セレクタとして機能する。 また、不確実性を測定するために分布校正器としても使用できる。
• 参考スコア（独自算出の注目度）: 17.131164796761446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting has long been dominated by advances in model architecture, with recent progress driven by deep learning and hybrid statistical techniques. However, as forecasting models approach diminishing returns in accuracy, a critical yet underexplored opportunity emerges: the strategic use of post-processing. In this paper, we address the last-mile gap in time-series forecasting, which is to improve accuracy and uncertainty without retraining or modifying a deployed backbone. We propose $δ$-Adapter, a lightweight, architecture-agnostic way to boost deployed time series forecasters without retraining. $δ$-Adapter learns tiny, bounded modules at two interfaces: input nudging (soft edits to covariates) and output residual correction. We provide local descent guarantees, $O(δ)$ drift bounds, and compositional stability for combined adapters. Meanwhile, it can act as a feature selector by learning a sparse, horizon-aware mask over inputs to select important features, thereby improving interpretability. In addition, it can also be used as a distribution calibrator to measure uncertainty. Thus, we introduce a Quantile Calibrator and a Conformal Corrector that together deliver calibrated, personalized intervals with finite-sample coverage. Our experiments across diverse backbones and datasets show that $δ$-Adapter improves accuracy and calibration with negligible compute and no interface changes.
• Abstract（参考訳）: 時系列予測は、ディープラーニングとハイブリッド統計技術による最近の進歩とともに、モデルアーキテクチャの進歩によって長い間支配されてきた。 しかし、予測モデルが精度の低下に近づくにつれ、重要で未探索の機会が生まれ、後処理の戦略的利用が生まれる。 本稿では,展開したバックボーンの再トレーニングや修正を行うことなく,精度と不確実性を向上させるため,時系列予測における最終マイルのギャップに対処する。 我々は,デプロイされた時系列予測器を再トレーニングせずに強化する軽量でアーキテクチャに依存しない方法である$δ$-Adapterを提案する。 $δ$-Adapterは2つのインターフェイスで小さな有界モジュールを学習する。 我々は、局所降下保証、$O(δ)$ドリフトバウンド、および組合せアダプタの合成安定性を提供する。 一方、入力上のスパースで水平対応のマスクを学習し、重要な特徴を選択することで、機能セレクタとして機能し、解釈性を向上させることができる。 また、不確実性を測定するために分布校正器としても使用できる。 そこで,量子キャリブレータとコンフォーマルコレクタを導入し,キャリブレーションとパーソナライズされた間隔を有限サンプルカバレッジで提供する。 様々なバックボーンやデータセットに対する実験により、$δ$-Adapterは無視できる計算で精度とキャリブレーションを向上し、インターフェースの変更がないことが示された。

関連論文リスト

• 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)
• 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)
• QCore: Data-Efficient, On-Device Continual Calibration for Quantized Models -- Extended Version [34.280197473547226]
  機械学習モデルは、ストレージと計算能力に制限のあるエッジデバイスにデプロイすることができる。 エッジ上で連続的なキャリブレーションを可能にするためのQCoreを提案する。
  論文  参考訳（メタデータ） (2024-04-22T08:57:46Z)
• Better Batch for Deep Probabilistic Time Series Forecasting [15.31488551912888]
  本稿では,確率的予測精度を高めるために,誤り自己相関を取り入れた新しいトレーニング手法を提案する。 本手法は,モデルトレーニングのためのD$連続時系列セグメントのコレクションとしてミニバッチを構築する。 各ミニバッチ上で時間変化の共分散行列を明示的に学習し、隣接する時間ステップ間の誤差相関を符号化する。
  論文  参考訳（メタデータ） (2023-05-26T15:36:59Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。