論文の概要: Position: The Inevitable End of One-Architecture-Fits-All-Domains in Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2602.01736v1
• Date: Mon, 02 Feb 2026 07:19:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.971446
• Title: Position: The Inevitable End of One-Architecture-Fits-All-Domains in Time Series Forecasting
• Title（参考訳）: 時系列予測の必然的終わり
• Authors: Qinwei Ma, Jingzhe Shi, Jiahao Qiu, Zaiwen Yang,
• Abstract要約: 時系列予測タスクにおけるニューラルネットワークアーキテクチャの本質的限界を分析する。 私たちは時系列コミュニティに、一般的なドメインのための時系列ニューラルネットワークアーキテクチャの研究から、焦点を移すことを求めます。
• 参考スコア（独自算出の注目度）: 5.6190226144514765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has questioned the effectiveness and robustness of neural network architectures for time series forecasting tasks. We summarize these concerns and analyze groundly their inherent limitations: i.e. the irreconcilable conflict between single (or few similar) domains SOTA and generalizability over general domains for time series forecasting neural network architecture designs. Moreover, neural networks architectures for general domain time series forecasting are becoming more and more complicated and their performance has almost saturated in recent years. As a result, network architectures developed aiming at fitting general time series domains are almost not inspiring for real world practices for certain single (or few similar) domains such as Finance, Weather, Traffic, etc: each specific domain develops their own methods that rarely utilize advances in neural network architectures of time series community in recent 2-3 years. As a result, we call for the time series community to shift focus away from research on time series neural network architectures for general domains: these researches have become saturated and away from domain-specific SOTAs over time. We should either (1) focus on deep learning methods for certain specific domain(s), or (2) turn to the development of meta-learning methods for general domains.
• Abstract（参考訳）: 最近の研究は、時系列予測タスクにおけるニューラルネットワークアーキテクチャの有効性と堅牢性に疑問を投げかけている。 これらの懸念を要約し、ニューラルネットワークアーキテクチャ設計の時系列予測において、単一ドメイン(または少数の類似)SOTA間の不可解な衝突と一般ドメインに対する一般化可能性(英語版)を解析する。 さらに、一般ドメイン時系列予測のためのニューラルネットワークアーキテクチャはますます複雑化しており、近年は性能がほぼ飽和している。 結果として、一般的な時系列ドメインの適合を目的としたネットワークアーキテクチャは、ファイナンス、天気、交通などのような特定の単一(またはいくつかの類似した)ドメインの現実的なプラクティスにはほとんど興味を示さない:各ドメインは、過去2-3年で時系列コミュニティのニューラルネットワークアーキテクチャの進歩をほとんど活用しない独自の手法を開発する。 結果として、時系列コミュニティは、一般的なドメインのための時系列ニューラルネットワークアーキテクチャの研究から、焦点を移す必要がある:これらの研究は、時間とともに飽和し、ドメイン固有のSOTAから遠ざかっている。 1)特定のドメインに対する深層学習手法に焦点をあてるか,(2)一般ドメインのためのメタ学習手法の開発に目を向けるべきである。

関連論文リスト

• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• Towards Generalisable Time Series Understanding Across Domains [10.350643783811174]
  時系列の不均一性を扱うために特別に設計された新しい事前学習パラダイムを導入する。 本稿では、学習可能なドメインシグネチャ、二重マスキング戦略、正規化相互相関損失を持つトークンサを提案する。 私たちのコードと事前訓練されたウェイトはhttps://www.oetu.com/oetu/otis.comで公開されています。
  論文  参考訳（メタデータ） (2024-10-09T17:09:30Z)
• TOTEM: TOkenized Time Series EMbeddings for General Time Series Analysis [29.232543319667005]
  この研究は、一般(または基礎)モデルを用いた時系列解析の問題を研究する。 自己スーパービジョンを用いて、無数のデータセットから得られた時系列データを離散的にトークン化する簡単な方法を検討する。 本稿では,Tokenized Time Series EMbeddings (TOTEM) を用いて,極小ないし無小の時系列モデルを生成する。
  論文  参考訳（メタデータ） (2024-02-26T09:11:12Z)
• UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series Forecasting [59.11817101030137]
  この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。 効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。 効果的なドメイン間時系列学習のためのUniTimeを提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:30:22Z)
• Domain-incremental Cardiac Image Segmentation with Style-oriented Replay and Domain-sensitive Feature Whitening [67.6394526631557]
  M&Mは、各受信データセットから漸進的に学習し、時間が経つにつれて改善された機能で漸進的に更新する必要がある。 医学的シナリオでは、データのプライバシのため、過去のデータへのアクセスや保存が一般的に許可されないため、これは特に困難である。 本稿では,まず過去のドメイン入力を復元し,モデル最適化中に定期的に再生する新しいドメイン増分学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-09T13:07:36Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• Cross-domain Time Series Forecasting with Attention Sharing [10.180248006928107]
  本稿では,データ不足問題に対処する新しいドメイン適応フレームワークであるDomain Adaptation Forecaster(DAF)を提案する。 特に、ドメイン間のドメイン識別器と、個々のドメインに対するプリベートモジュールを備えたアテンションベースの共有モジュールを提案する。 これにより、ドメイン固有の機能をトレーニングしながら、ドメイン不変の潜在機能を生成させることで、ソースとターゲットドメインを共同でトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-02-13T00:26:35Z)
• Dynamic Fusion Network for Multi-Domain End-to-end Task-Oriented Dialog [70.79442700890843]
  本稿では,対象ドメインと各ドメインの関連性を自動的に活用する新しい動的核融合ネットワーク(DF-Net)を提案する。 トレーニングデータが少ないと、平均13.9%の事前最良モデルを上回り、転送可能性を示す。
  論文  参考訳（メタデータ） (2020-04-23T08:17:22Z)

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。