論文の概要: Cross-RAG: Zero-Shot Retrieval-Augmented Time Series Forecasting via Cross-Attention

• arxiv url: http://arxiv.org/abs/2603.14709v1
• Date: Mon, 16 Mar 2026 01:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.982558
• Title: Cross-RAG: Zero-Shot Retrieval-Augmented Time Series Forecasting via Cross-Attention
• Title（参考訳）: クロスRAG:クロスアテンションによるゼロショット検索拡張時系列予測
• Authors: Seunghan Lee, Jaehoon Lee, Jun Seo, Sungdong Yoo, Minjae Kim, Tae Yoon Lim, Dongwan Kang, Hwanil Choi, SoonYoung Lee, Wonbin Ahn,
• Abstract要約: そこで我々は,クエリ関連サンプルに選択的に出席するゼロショット検索拡張予測フレームワークであるCross-RAGを提案する。 クロスRAGは、様々なTSFMおよびRAGメソッドにおけるゼロショット予測性能を一貫して改善する。
• 参考スコア（独自算出の注目度）: 12.754011132549167
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in time series foundation models (TSFMs) demonstrate strong expressive capacity through large-scale pretraining across diverse time series domains. Zero-shot time series forecasting with TSFMs, however, exhibits limited generalization to unseen datasets, which retrieval-augmented forecasting addresses by leveraging an external knowledge base. Existing approaches rely on a fixed number of retrieved samples that may introduce irrelevant information. To this end, we propose Cross-RAG, a zero-shot retrieval-augmented forecasting framework that selectively attends to query-relevant retrieved samples. Cross-RAG models input-level relevance between the query and retrieved samples via query-retrieval cross-attention, while jointly incorporating information from the query and retrieved samples. Extensive experiments demonstrate that Cross-RAG consistently improves zero-shot forecasting performance across various TSFMs and RAG methods, and additional analyses confirm its effectiveness across diverse retrieval scenarios. Code is available at https://github.com/seunghan96/cross-rag/.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)の最近の進歩は、様々な時系列領域にわたる大規模事前学習を通じて、強力な表現能力を示す。 しかし、TSFMを用いたゼロショット時系列予測では、外部知識ベースを活用することで予測アドレスを検索する未確認データセットへの限定的な一般化が示される。 既存のアプローチは、無関係な情報を導入する可能性のある、一定の数の回収されたサンプルに依存している。 この目的のために,クエリ関連サンプルに選択的に出席するゼロショット検索拡張予測フレームワークであるCross-RAGを提案する。 Cross-RAGは、クエリと検索されたサンプル間の入力レベルの関連性を、クエリと検索されたクロスアテンションを介してモデル化する。 広汎な実験により、クロスRAGは様々なTSFMおよびRAG法におけるゼロショット予測性能を一貫して改善し、さらに様々な検索シナリオにおいてその有効性を検証した。 コードはhttps://github.com/seunghan96/cross-rag/で入手できる。

関連論文リスト

• TSAQA: Time Series Analysis Question And Answering Benchmark [85.35545785252309]
  時系列データは、金融、医療、交通、環境科学といった分野における重要な応用に不可欠である。 TSAQAはタスクカバレッジを拡大し、多様な時間的分析能力を評価するために設計された新しい統合ベンチマークである。
  論文  参考訳（メタデータ） (2026-01-30T17:28:56Z)
• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。 また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• Towards a General Time Series Forecasting Model with Unified Representation and Adaptive Transfer [24.03830611693476]
  既存の時系列基礎モデルは、主に一般化性能を高めるために、トレーニング済みデータセットとモデルサイズをスケールアップすることに焦点を当てている。 我々は、ヘテロジニアスなマルチドメイン時系列データから統一表現を導出する方法と、ドメイン固有の特徴を効果的に捉えて、様々な下流シナリオ間で適応的な転送を可能にする方法という、一般的な予測モデルの2つの重要な側面に対処することで、異なるアプローチをとる。 本モデルでは、7つの実世界のベンチマークで最先端の予測性能を達成し、目覚ましい少数ショットとゼロショットの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-24T06:01:09Z)
• Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization [0.0]
  複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。 本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-15T11:39:21Z)
• Interpretable Feature Construction for Time Series Extrinsic Regression [0.028675177318965035]
  一部のアプリケーション領域では、対象変数が数値であり、その問題は時系列外部回帰(TSER)として知られている。 TSERの文脈における頑健で解釈可能な特徴構築と選択のためのベイズ法の拡張を提案する。 私たちのアプローチは、TSERに取り組むためのリレーショナルな方法を利用します:(i)、リレーショナルデータスキームに格納されている時系列の多様で単純な表現を構築し、(ii)二次テーブルからデータを「フラット化」するために解釈可能な機能を構築するためにプロポジション化技術を適用します。
  論文  参考訳（メタデータ） (2021-03-15T08:12:19Z)

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。