論文の概要: Deep Autocorrelation Modeling for Time-Series Forecasting: Progress and Prospects

• arxiv url: http://arxiv.org/abs/2603.19899v1
• Date: Fri, 20 Mar 2026 12:31:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.13278
• Title: Deep Autocorrelation Modeling for Time-Series Forecasting: Progress and Prospects
• Title（参考訳）: 時系列予測のための深部自己相関モデリング:進展と展望
• Authors: Hao Wang, Licheng Pan, Qingsong Wen, Jialin Yu, Zhichao Chen, Chunyuan Zheng, Xiaoxi Li, Zhixuan Chu, Chao Xu, Mingming Gong, Haoxuan Li, Yuan Lu, Zhouchen Lin, Philip Torr, Yan Liu,
• Abstract要約: 自己相関は時系列データの定義特性であり、それぞれの観測は前者に依存している。 近年の研究ではこれらの課題に対処する努力が続けられているが、両方の側面を調査する体系的な調査はいまだに不十分である。 本稿では,自己相関モデルの観点からの詳細な時系列予測について概説する。
• 参考スコア（独自算出の注目度）: 122.77185406890963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autocorrelation is a defining characteristic of time-series data, where each observation is statistically dependent on its predecessors. In the context of deep time-series forecasting, autocorrelation arises in both the input history and the label sequences, presenting two central research challenges: (1) designing neural architectures that model autocorrelation in history sequences, and (2) devising learning objectives that model autocorrelation in label sequences. Recent studies have made strides in tackling these challenges, but a systematic survey examining both aspects remains lacking. To bridge this gap, this paper provides a comprehensive review of deep time-series forecasting from the perspective of autocorrelation modeling. In contrast to existing surveys, this work makes two distinctive contributions. First, it proposes a novel taxonomy that encompasses recent literature on both model architectures and learning objectives -- whereas prior surveys neglect or inadequately discuss the latter aspect. Second, it offers a thorough analysis of the motivations, insights, and progression of the surveyed literature from a unified, autocorrelation-centric perspective, providing a holistic overview of the evolution of deep time-series forecasting. The full list of papers and resources is available at https://github.com/Master-PLC/Awesome-TSF-Papers.
• Abstract（参考訳）: 自己相関は時系列データの定義特性であり、それぞれの観測は前者に依存している。 深層時系列予測の文脈では、自己相関は入力履歴とラベルシーケンスの両方で発生し、(1)履歴シーケンスで自己相関をモデル化するニューラルネットワークの設計、(2)ラベルシーケンスで自己相関をモデル化する学習目標の策定という2つの中心的な研究課題が提示される。 近年の研究ではこれらの課題に対処する努力が続けられているが、両方の側面を調査する体系的な調査はいまだに不十分である。 このギャップを埋めるため,本論文では,自己相関モデルの観点からの時系列予測を包括的に検討する。 既存の調査とは対照的に、この研究は2つの顕著な貢献をしている。 まず、モデルアーキテクチャと学習目標の両方に関する最近の文献を包含する、新しい分類法を提案します。 第二に、調査された文献のモチベーション、洞察、進歩を、統合された自己相関中心の視点から徹底的に分析し、深層時系列予測の進化の全体像を提供する。 論文とリソースの完全なリストはhttps://github.com/Master-PLC/Awesome-TSF-Papersにある。

関連論文リスト

• FOS: A Large-Scale Temporal Graph Benchmark for Scientific Interdisciplinary Link Prediction [2.9549047539453395]
  学際的な科学的ブレークスルーはほとんど予期せず現れ、新しい研究分野の形成を予測することは大きな課題である。 FOS(Future of Science)は、65,027のサブフィールドの年次共起グラフを再構成する、総合的なタイムアウェアグラフベースのベンチマークである。 これらのグラフでは、エッジは1つの出版物における2つのフィールドの共起を表し、対応する出版年とタイムスタンプされる。 我々は,時間的リンク予測タスクとして新たなフィールドペアリンクの予測を定式化し,学際的方向の先駆的な方向を示す「初回」接続を強調した。
  論文  参考訳（メタデータ） (2025-11-23T22:08:52Z)
• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• Next-Generation Conflict Forecasting: Unleashing Predictive Patterns through Spatiotemporal Learning [0.0]
  本研究では、3つの異なるタイプの暴力を事前に36ヶ月予測するためのニューラルネットワークアーキテクチャを提案する。 このモデルは確率的分類と回帰タスクを共同で実行し、将来の事象の予測と予測等級を生成する。 警告システム、人道的対応計画、証拠に基づく平和構築イニシアチブのための有望なツールである。
  論文  参考訳（メタデータ） (2025-06-08T20:42:29Z)
• Foundation Models for Time Series: A Survey [0.27835153780240135]
  トランスフォーマーベースの基礎モデルは時系列解析において支配的なパラダイムとして現れてきた。 この調査は、いくつかの分野にまたがって分類する新しい分類法を導入している。
  論文  参考訳（メタデータ） (2025-04-05T01:27:55Z)
• Deep Learning for Time Series Forecasting: A Survey [12.748035569833451]
  本稿では,先行研究について検討し,Deep Time Series Forecasting(DTSF)の一般的なパラダイムをモデルアーキテクチャの観点から要約する。 本稿では,時系列の構成に着目し,重要な特徴抽出手法を体系的に説明することによって,革新的なアプローチをとる。
  論文  参考訳（メタデータ） (2025-03-13T09:32:01Z)
• The Clever Hans Mirage: A Comprehensive Survey on Spurious Correlations in Machine Learning [78.13481522957552]
  機械学習モデルは、入力の非本質的特徴と対応するラベルの間の急激な相関に敏感である。 本稿では,機械学習モデルにおける突発的相関に対処する既存の最先端手法の詳細な分類法とともに,この問題の包括的調査を行う。
  論文  参考訳（メタデータ） (2024-02-20T04:49:34Z)
• An End-to-End Time Series Model for Simultaneous Imputation and Forecast [14.756607742477252]
  我々は,推論関係を学習し,複数段階の予測を行うために,エンドツーエンドの時系列モデルを開発する。 我々のフレームワークは2つのニューラルネットワークを共同でトレーニングし、1つは特徴量相関を学習し、もう1つは時間的行動のモデリングを学習する。
  論文  参考訳（メタデータ） (2023-06-01T15:08:22Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)

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。