論文の概要: Deep Time-series Forecasting Needs Kernelized Moment Balancing

• arxiv url: http://arxiv.org/abs/2602.00717v1
• Date: Sat, 31 Jan 2026 13:20:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.355691
• Title: Deep Time-series Forecasting Needs Kernelized Moment Balancing
• Title（参考訳）: 時系列予測はカーネル化されたモーメントバランシングを必要とする
• Authors: Licheng Pan, Hao Wang, Haocheng Yang, Yuqi Li, Qingsong Wen, Xiaoxi Li, Zhichao Chen, Haoxuan Li, Zhixuan Chu, Yuan Lu,
• Abstract要約: 深層時系列予測は、予測と地上の真実の分布を整合させることを目的とした分布バランス問題として定式化することができる。 我々は、カーネル化されたモーメントバランス(KMB-DF)による直接予測を提案する。 複数のモデルとデータセットにわたる実験により、KMB-DFは予測精度を一貫して改善し、最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 56.619037429652984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep time-series forecasting can be formulated as a distribution balancing problem aimed at aligning the distribution of the forecasts and ground truths. According to Imbens' criterion, true distribution balance requires matching the first moments with respect to any balancing function. We demonstrate that existing objectives fail to meet this criterion, as they enforce moment matching only for one or two predefined balancing functions, thus failing to achieve full distribution balance. To address this limitation, we propose direct forecasting with kernelized moment balancing (KMB-DF). Unlike existing objectives, KMB-DF adaptively selects the most informative balancing functions from a reproducing kernel hilbert space (RKHS) to enforce sufficient distribution balancing. We derive a tractable and differentiable objective that enables efficient estimation from empirical samples and seamless integration into gradient-based training pipelines. Extensive experiments across multiple models and datasets show that KMB-DF consistently improves forecasting accuracy and achieves state-of-the-art performance. Code is available at https://anonymous.4open.science/r/KMB-DF-403C.
• Abstract（参考訳）: 深層時系列予測は、予測と地上の真実の分布を整合させることを目的とした分布バランス問題として定式化することができる。 イムベンスの基準によれば、真の分布バランスは、任意のバランス関数に関して最初のモーメントと一致する必要がある。 既存の目的はこの基準を満たすことができず、1つまたは2つの事前定義されたバランス関数のみにモーメントマッチングを強制し、完全な分散バランスを達成できないことを実証する。 この制限に対処するために、カーネル化されたモーメントバランス(KMB-DF)を用いた直接予測を提案する。 既存の目的とは異なり、KMB-DFは十分な分散バランスを強制するために、再生カーネルヒルベルト空間(RKHS)から最も情報性の高いバランス関数を適応的に選択する。 実験サンプルから効率的に推定し,勾配に基づくトレーニングパイプラインへのシームレスな統合を可能にする,トラクタブルで微分可能な目的を導出する。 複数のモデルとデータセットにわたる大規模な実験により、KMB-DFは予測精度を一貫して改善し、最先端のパフォーマンスを達成する。 コードはhttps://anonymous.4open.science/r/KMB-DF-403Cで入手できる。

関連論文リスト

• Analytic Incremental Learning For Sound Source Localization With Imbalance Rectification [15.161051314343105]
  サウンドソースのローカライゼーション(SSL)は、コントロールされた設定において顕著な結果を示すが、実際のデプロイメントでは困難である。 これらの問題を緩和する2つの重要な革新を伴う統一されたフレームワークを提案する。 SSLRベンチマークでは、89.0%の精度、5.3の平均絶対誤差、1.6の後方転送ロバスト性を実現している。
  論文  参考訳（メタデータ） (2026-01-26T10:22:01Z)
• 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)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Debiased Collaborative Filtering with Kernel-Based Causal Balancing [28.89858891537214]
  本稿では,カーネル関数を適応的にバランスさせ,提案手法の一般化誤差境界を理論的に解析するアルゴリズムを提案する。 提案手法の有効性を実証するための広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-04-30T14:43:51Z)
• CRPS Learning [0.0]
  組み合わせと集約技術は予測精度を大幅に向上させることができる。 連続的なランク付け確率スコア(CRPS)に関して最適化するポイントワイズオンラインアグリゲーションアルゴリズムについて論じる。
  論文  参考訳（メタデータ） (2021-02-01T16:54:05Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。