論文の概要: Probabilistic Circuits for Irregular Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2604.27814v1
• Date: Thu, 30 Apr 2026 12:57:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.094007
• Title: Probabilistic Circuits for Irregular Multivariate Time Series Forecasting
• Title（参考訳）: 不規則な多変量時系列予測のための確率回路
• Authors: Christian Klötergens, Vijaya Krishna Yalavarthi, Lars Schmidt-Thieme,
• Abstract要約: 本稿では,確率回路に基づく確率的IMTS予測の新しいアーキテクチャであるCircuITSを提案する。 我々のモデルは、有効な関節分布を構造的に保証しつつ、時系列チャンネル間の複雑な依存関係を捉えるのに柔軟である。
• 参考スコア（独自算出の注目度）: 10.534258791589314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Joint probabilistic modeling is essential for forecasting irregular multivariate time series (IMTS) to accurately quantify uncertainty. Existing approaches often struggle to balance model expressivity with consistent marginalization, frequently leading to unreliable or contradictory forecasts. To address this, we propose CircuITS, a novel architecture for probabilistic IMTS forecasting based on probabilistic circuits. Our model is flexible in capturing intricate dependencies between time series channels while structurally guaranteeing valid joint distributions. Experiments on four real world datasets demonstrate that CircuITS achieves superior joint and marginal density estimation compared to state of the art baselines.
• Abstract（参考訳）: 連立確率モデリングは不規則な多変量時系列(IMTS)を予測し、不確実性を正確に定量化するために不可欠である。 既存のアプローチはモデル表現率と一貫した限界化のバランスをとるのに苦労することが多く、しばしば信頼できないあるいは矛盾する予測につながる。 そこで本研究では,確率回路に基づく確率的IMTS予測の新しいアーキテクチャであるCircuITSを提案する。 我々のモデルは、有効な関節分布を構造的に保証しつつ、時系列チャンネル間の複雑な依存関係を捉えるのに柔軟である。 実世界の4つのデータセットの実験では、CircuITSは最先端のベースラインと比較して、優れた関節密度と限界密度の推定を達成している。

関連論文リスト

• Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting [1.5939955861266883]
  本稿では,介入主義的,厳密な統計的ベンチマークへのパラダイムシフトを提案する。 我々は,ブラックボックスシーケンスマッチングゲームから正確な分布推定タスクに予測を変換する。 我々は、最先端のゼロショットモデルがコンテキストパロッキング機構と一貫して振る舞うことを発見した。
  論文  参考訳（メタデータ） (2026-03-23T17:14:11Z)
• SPTTE: A Spatiotemporal Probabilistic Framework for Travel Time Estimation [21.092166159353702]
  実世界の旅行データは、しばしば時間的に疎外され、不均一に分散される。 SPTTEは、RNNベースの時間的ガウス過程パラメータ化を導入し、スパース観測を規則化し、時間的依存関係をキャプチャする。 実世界のデータセットの評価によると、SPTTEは最先端の確率的手法を10.13%以上上回っている。
  論文  参考訳（メタデータ） (2024-11-27T16:28:54Z)
• 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)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
  実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。 本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• pTSE: A Multi-model Ensemble Method for Probabilistic Time Series Forecasting [10.441994923253596]
  pTSEは隠れマルコフモデル(HMM)に基づく確率予測のための多モデル分布アンサンブル法である pTSE の完全理論的解析を行い,HMM を対象とする時系列の経験的分布が定常分布にほぼ確実に収束することを示す。 ベンチマーク実験は、pTSE全体構成モデルと競合アンサンブル手法の優位性を示している。
  論文  参考訳（メタデータ） (2023-05-16T07:00:57Z)
• 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） (2022-06-16T06:13:53Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。