論文の概要: Forecasting with Guidance: Representation-Level Supervision for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2603.24262v1
• Date: Wed, 25 Mar 2026 12:54:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.297332
• Title: Forecasting with Guidance: Representation-Level Supervision for Time Series Forecasting
• Title（参考訳）: ガイダンスによる予測:時系列予測のための表現レベルスーパービジョン
• Authors: Jiacheng Wang, Liang Fan, Baihua Li, Luyan Zhang,
• Abstract要約: 本稿では,任意の予測アーキテクチャにシームレスに統合可能なプラグイン手法であるReGuiderを提案する。 トレーニング中、入力シーケンスは目標予測モデルと事前訓練されたモデルで処理される。 事前訓練されたモデルの出力を直接使用するのではなく、時間的・意味的な情報に富んだ中間埋め込みを抽出し、表現レベルの監視を通じて対象モデルのエンコーダ埋め込みと整合させる。
• 参考スコア（独自算出の注目度）: 3.2225633549342088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, time series forecasting is predominantly approached through the end-to-end training of deep learning architectures using error-based objectives. While this is effective at minimizing average loss, it encourages the encoder to discard informative yet extreme patterns. This results in smooth predictions and temporal representations that poorly capture salient dynamics. To address this issue, we propose ReGuider, a plug-in method that can be seamlessly integrated into any forecasting architecture. ReGuider leverages pretrained time series foundation models as semantic teachers. During training, the input sequence is processed together by the target forecasting model and the pretrained model. Rather than using the pretrained model's outputs directly, we extract its intermediate embeddings, which are rich in temporal and semantic information, and align them with the target model's encoder embeddings through representation-level supervision. This alignment process enables the encoder to learn more expressive temporal representations, thereby improving the accuracy of downstream forecasting. Extensive experimentation across diverse datasets and architectures demonstrates that our ReGuider consistently improves forecasting performance, confirming its effectiveness and versatility.
• Abstract（参考訳）: 現在、時系列予測は、主にエラーベースの目的を用いたディープラーニングアーキテクチャのエンドツーエンドのトレーニングを通じてアプローチされている。 これは平均損失を最小限に抑えるのに有効であるが、エンコーダは情報的かつ極端なパターンを捨てることを奨励する。 この結果、スムーズな予測と時間的表現が得られ、従順なダイナミクスをうまく捉えていない。 この問題に対処するため,どの予測アーキテクチャにもシームレスに統合可能なプラグイン手法であるReGuiderを提案する。 ReGuiderは、事前訓練された時系列基礎モデルを意味教師として活用する。 トレーニング中、入力シーケンスは目標予測モデルと事前訓練されたモデルで処理される。 事前訓練されたモデルの出力を直接使用するのではなく、時間的・意味的な情報に富んだ中間埋め込みを抽出し、表現レベルの監視を通じて対象モデルのエンコーダ埋め込みと整合させる。 このアライメントプロセスにより、エンコーダはより表現力のある時間表現を学習し、下流予測の精度を向上させることができる。 多様なデータセットやアーキテクチャにわたる大規模な実験は、我々のReGuiderが一貫して予測性能を改善し、その有効性と汎用性を確認していることを示している。

関連論文リスト

• Learning from Next-Frame Prediction: Autoregressive Video Modeling Encodes Effective Representations [53.91818843831925]
  NExT-Vidは,新しい自己回帰型視覚生成事前学習フレームワークである。 本研究では,文脈分離型自己回帰予測器を導入し,セマンティック表現をターゲットデコーディングから切り離す。 文脈分離型フローマッチング事前学習により,本手法は強い表現を実現する。
  論文  参考訳（メタデータ） (2025-12-24T07:07:08Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• BinConv: A Neural Architecture for Ordinal Encoding in Time-Series Forecasting [5.827431686047649]
  確率予測のために設計された完全畳み込みニューラルネットワークアーキテクチャである textbfBinConv を提案する。 BinConvは、ポイントと確率予測の両方で広く使用されているベースラインデータセットと比較して、優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-05-30T13:41:39Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• Reinforced Decoder: Towards Training Recurrent Neural Networks for Time Series Forecasting [1.5213268724320657]
  繰り返しニューラルネットワークに基づくシーケンス・ツー・シーケンスモデルは、マルチステップの時系列予測に広く応用されている。 これらのモデルは通常、デコーダ入力として以前の予測または実際の観測値を使用して訓練されたデコーダを含む。 本研究は、代替デコーダ入力を生成する補助モデルを導入する強化デコーダと呼ばれる新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-06-14T00:24:29Z)
• Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
  予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。 具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。 提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-01-01T12:08:35Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• A machine learning approach for forecasting hierarchical time series [4.157415305926584]
  階層時系列を予測するための機械学習手法を提案する。 予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。 我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
  論文  参考訳（メタデータ） (2020-05-31T22:26:16Z)

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。