論文の概要: Forecasting Multivariate Time Series under Predictive Heterogeneity: A Validation-Driven Clustering Framework

• arxiv url: http://arxiv.org/abs/2604.13748v1
• Date: Wed, 15 Apr 2026 11:35:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.510526
• Title: Forecasting Multivariate Time Series under Predictive Heterogeneity: A Validation-Driven Clustering Framework
• Title（参考訳）: 予測的不均一性下での多変量時系列予測:検証駆動クラスタリングフレームワーク
• Authors: Ziling Ma, Ángel López Oriona, Hernando Ombao, Ying Sun,
• Abstract要約: 統計的決定問題として適応プーリングを定式化する。 我々は,いつ,どのように専門化を適用すべきかを決定する検証駆動型フレームワークを提案する。 大規模トラフィックデータセットの実験では、強いベースラインよりも一貫した改善が示されている。
• 参考スコア（独自算出の注目度）: 8.124770608442377
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study adaptive pooling under predictive heterogeneity in high-dimensional multivariate time series forecasting, where global models improve statistical efficiency but may fail to capture heterogeneous predictive structure, while naive specialization can induce negative transfer. We formulate adaptive pooling as a statistical decision problem and propose a validation-driven framework that determines when and how specialization should be applied. Rather than grouping series based on representation similarity, we define partitions through out-of-sample predictive performance, thereby aligning data organization with predictive risk, defined as expected out-of-sample loss and approximated via validation error. Cluster assignments are iteratively updated using validation losses for both point (Huber) and probabilistic (pinball) forecasting, improving robustness to heavy-tailed errors and local anomalies. To ensure reliability, we introduce a leakage-free fallback mechanism that reverts to a global model whenever specialization fails to improve validation performance, providing a safeguard against performance degradation under a strict training-validation-test protocol. Experiments on large-scale traffic datasets demonstrate consistent improvements over strong baselines while avoiding degradation when heterogeneity is weak. Overall, the proposed framework provides a principled and practically reliable approach to adaptive pooling in high-dimensional forecasting problems.
• Abstract（参考訳）: 本研究では,高次元多変量時系列予測における予測の不均一性の下での適応プーリングについて検討する。 統計的決定問題として適応プーリングを定式化し、いつ、どのように専門化を適用すべきかを決定する検証駆動型フレームワークを提案する。 表現の類似性に基づいてシリーズをグループ化する代わりに、アウト・オブ・サンプルの予測性能を通じてパーティションを定義し、データ組織を予測リスクと整合させ、期待されるアウト・オブ・サンプルの損失として定義し、検証エラーによって近似する。 クラスタ割り当ては、ポイント(Huber)と確率(pinball)予測の両方の検証損失を使用して反復的に更新される。 信頼性を確保するため,厳格なトレーニングバリデーション・テスト・プロトコルの下で,評価性能の向上に失敗するたびにグローバルモデルに逆戻りするリークフリーフォールバック機構を導入する。 大規模トラフィックデータセットの実験は、強いベースラインよりも一貫した改善を示し、不均一性が弱い場合の劣化を回避している。 全体として、提案フレームワークは高次元予測問題における適応プールに対する原則的かつ実用的信頼性の高いアプローチを提供する。

関連論文リスト

• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• Statistical Inference for Misspecified Contextual Bandits [6.178061357164435]
  コンテキストバンディットアルゴリズムは、パーソナライズされた治療のためのリアルタイム適応を可能にすることで、近代的な実験を変革した。 しかし、これらの利点は適応性による統計的推測の課題を生み出す。 収束は適応実験の再現性とオンラインアルゴリズムの安定性を保証する。
  論文  参考訳（メタデータ） (2025-09-08T02:19:37Z)
• CoCAI: Copula-based Conformal Anomaly Identification for Multivariate Time-Series [0.3495246564946556]
  本稿では、生成人工知能とコプラに基づくモデリングの力を利用して、正確な予測を行い、堅牢な異常検出を可能にする新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T14:15:31Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。