論文の概要: Back to the Future: Look-ahead Augmentation and Parallel Self-Refinement for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2602.02146v1
• Date: Mon, 02 Feb 2026 14:23:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.203343
• Title: Back to the Future: Look-ahead Augmentation and Parallel Self-Refinement for Time Series Forecasting
• Title（参考訳）: 未来へ: 時系列予測のためのルックアヘッド拡張と並列セルフリファインメント
• Authors: Sunho Kim, Susik Yoon,
• Abstract要約: Back to the Future(バック・トゥ・ザ・フューチャー・トゥ・フューチャー)は、ルックアヘッドの強化と自己修正による安定性の予測を強化する、シンプルで効果的なフレームワークである。 その単純さにもかかわらず、我々の手法は長い水平精度を一貫して改善し、線形予測モデルの不安定性を緩和する。 これらの結果から, モデル生成予測を拡張として活用することは, 複雑なアーキテクチャがなくても, 長期予測を高めるための単純かつ強力な方法である可能性が示唆された。
• 参考スコア（独自算出の注目度）: 10.615433089293228
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term time series forecasting (LTSF) remains challenging due to the trade-off between parallel efficiency and sequential modeling of temporal coherence. Direct multi-step forecasting (DMS) methods enable fast, parallel prediction of all future horizons but often lose temporal consistency across steps, while iterative multi-step forecasting (IMS) preserves temporal dependencies at the cost of error accumulation and slow inference. To bridge this gap, we propose Back to the Future (BTTF), a simple yet effective framework that enhances forecasting stability through look-ahead augmentation and self-corrective refinement. Rather than relying on complex model architectures, BTTF revisits the fundamental forecasting process and refines a base model by ensembling the second-stage models augmented with their initial predictions. Despite its simplicity, our approach consistently improves long-horizon accuracy and mitigates the instability of linear forecasting models, achieving accuracy gains of up to 58% and demonstrating stable improvements even when the first-stage model is trained under suboptimal conditions. These results suggest that leveraging model-generated forecasts as augmentation can be a simple yet powerful way to enhance long-term prediction, even without complex architectures.
• Abstract（参考訳）: 時系列予測(LTSF)は、並列効率と時間的コヒーレンスの逐次モデリングとのトレードオフのため、依然として困難である。 直接多段階予測法(DMS)は、全ての将来の地平線を高速かつ並列に予測できるが、しばしばステップ間の時間的一貫性を失う。 このギャップを埋めるために,ルックアヘッドの強化と自己補正による安定性の予測を行う,シンプルで効果的なフレームワークであるBack to the Future (BTTF)を提案する。 BTTFは複雑なモデルアーキテクチャに頼るのではなく、基本的な予測プロセスを再検討し、最初の予測で拡張された第2段階モデルを組み立てることでベースモデルを洗練する。 提案手法は, 線形予測モデルの安定性を向上し, 精度を最大58%向上し, 最適条件下での第1段階モデルを訓練しても安定的に改善できることを示す。 これらの結果から, モデル生成予測を拡張として活用することは, 複雑なアーキテクチャがなくても, 長期予測を高めるための単純かつ強力な方法である可能性が示唆された。

関連論文リスト

• An Optimization Method for Autoregressive Time Series Forecasting [4.467218412104476]
  現在の時系列予測モデルは、主にトランスフォーマースタイルのニューラルネットワークに基づいている。 本稿では,2つの重要な特性を強制する時系列予測のための新しいトレーニング手法を提案する。 提案手法はiTransformerと比較してMSEを10%以上削減する。
  論文  参考訳（メタデータ） (2026-02-02T16:28:00Z)
• EMFormer: Efficient Multi-Scale Transformer for Accumulative Context Weather Forecasting [34.793750131438934]
  長期の天気予報は社会経済計画や災害に備える上で重要である。 本稿では,事前学習,微調整,予測にまたがる新しいパイプラインを提案する。 トレーニングと推論の両方において単一の畳み込みによってマルチスケール特徴を抽出する効率的なマルチスケールトランス (EMFormer) を提案する。
  論文  参考訳（メタデータ） (2026-02-01T12:36:01Z)
• StockBot 2.0: Vanilla LSTMs Outperform Transformer-based Forecasting for Stock Prices [0.0]
  本稿では,近代的注意に基づく,畳み込み,反復的な時系列予測モデルを体系的に評価するStockBotアーキテクチャを提案する。 慎重に構築されたバニラLSTMは、予測精度とより安定した購買・販売決定を一貫して達成する。
  論文  参考訳（メタデータ） (2026-01-01T04:09:51Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Mlinear: Rethink the Linear Model for Time-series Forecasting [9.841293660201261]
  Mlinearは、主に線形層に基づく単純だが効果的な方法である。 複数のデータセット上で広く使われている平均二乗誤差(MSE)を大幅に上回る新しい損失関数を導入する。 提案手法は,PatchTSTを336列長入力で21:3,512列長入力で29:10で有意に上回った。
  論文  参考訳（メタデータ） (2023-05-08T15:54:18Z)
• Explainable boosted linear regression for time series forecasting [0.1876920697241348]
  時系列予測では、過去の観測を収集し分析し、将来の観測を外挿するモデルを開発する。 時系列予測のための説明可能な強化線形回帰(EBLR)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-18T22:31:42Z)

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。