論文の概要: CombinationTS: A Modular Framework for Understanding Time-Series Forecasting Models

• arxiv url: http://arxiv.org/abs/2605.01231v1
• Date: Sat, 02 May 2026 04:08:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.653738
• Title: CombinationTS: A Modular Framework for Understanding Time-Series Forecasting Models
• Title（参考訳）: CombinationTS: 時系列予測モデルを理解するためのモジュールフレームワーク
• Authors: Xiaorui Wang, Fanda Fan, Chenxi Wang, Yuxuan Yang, Rui Tang, Kuoyu Gao, Simiao Pang, Yuanfeng Shang, Zhipeng Liu, Wanling Gao, Lei Wang, Jianfeng Zhan,
• Abstract要約: 私たちは、進捗にはモデル選択からモジュラー属性へのシフトが必要であると論じています。 本稿では,自己完結型確率的評価フレームワークであるCombinationTSを提案する。 明示的な構造的事前は、複雑さを増大させるよりも、より好ましいパフォーマンス-安定性のトレードオフをもたらすことを示す。
• 参考スコア（独自算出の注目度）: 15.276272594513427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent progress in time-series forecasting has led to rapidly increasing architectural complexity, yet many reported State-of-the-Art gains are statistically fragile or misattributed. We argue that progress requires a shift from model selection to modular attribution, identifying which components truly drive performance. We propose CombinationTS, a self-contained probabilistic evaluation framework that decomposes forecasting models into orthogonal modules--Input Transformation, Embedding, Encoder, Decoder, and Output Transformation--and evaluates them under a shared evaluation condition space. By quantifying each component via marginalized performance ($μ$) and stability ($σ$), CombinationTS enables robust attribution beyond fragile point estimates. Through large-scale paired evaluation, we uncover the Identity Paradox: once the data view (Embedding) is well-designed, a parameter-free Identity Encoder often matches or outperforms complex backbones. We further show that explicit structural priors introduced via Input Transformations yield a more favorable performance-stability trade-off than increasing Encoder complexity, establishing a principled baseline for architectural necessity.
• Abstract（参考訳）: 時系列予測の最近の進歩は、アーキテクチャの複雑さを急速に増大させてきたが、ステート・オブ・ザ・アーツ(State-of-the-Art)の伸びは統計学的に脆弱または不当に報告されている。 進化にはモデル選択からモジュラー属性へのシフトが必要であり、どのコンポーネントが真にパフォーマンスを駆動するかを特定します。 本稿では,予測モデルを直交モジュールに分解する自己完結型確率的評価フレームワークであるCombinationTSを提案する。 各コンポーネントを余分な性能(μ$)と安定性(σ$)で定量化することにより、コンビネーションTSは脆弱な点推定を超えた堅牢な帰属を可能にする。 データビュー(埋め込み)が適切に設計されると、パラメータフリーのIdentity Encoderが複雑なバックボーンにマッチしたり、性能を上回ります。 さらに、入力変換によって導入された明示的な構造的先行性は、エンコーダの複雑さを増大させるよりも、より好ましいパフォーマンス-安定性のトレードオフをもたらし、アーキテクチャ上の必要条件に対して原則化されたベースラインを確立することを示します。

関連論文リスト

• Semi-structured multi-state delinquency model for mortgage default [7.0177704222466994]
  本研究では,半構造化離散時間多状態モデルを提案する。 このモデルは、容易に理解可能な構造付き付加予測器と、複雑な非線形性と高次相互作用をキャプチャする柔軟なニューラルネットワークコンポーネントを組み合わせる。
  論文  参考訳（メタデータ） (2026-03-27T11:22:22Z)
• Steerable Instruction Following Coding Data Synthesis with Actor-Parametric Schema Co-Evolution [30.919665619254]
  IFCodeEvolveは,大規模命令ペアプログラミングデータを合成するフレームワークである。 IFCodeEvolveはベースモデルの性能を大幅に向上させ,我々の32BモデルはプロプライエタリなSOTAモデルと同等であることを示す。 我々はまた、ソリューションと堅牢なASTベースの検証を備えた総合的人間認証ベンチマークIFCodeBenchにも貢献する。
  論文  参考訳（メタデータ） (2026-02-27T21:31:41Z)
• SEED: A Structural Encoder for Embedding-Driven Decoding in Time Series Prediction with LLMs [3.036179638516407]
  組込み型デコードのための構造的エンコーダSEEDは,パッチ抽出のためのトークン対応エンコーダ,言語モデル埋め込みとパッチを整列するプロジェクションモジュール,タスク対応プロトタイプにパッチをマッピングするセマンティックプログラミング機構の4つの段階を統合している。 このモジュラーアーキテクチャは、推論から表現学習を分離し、数値パターンと意味論的推論の効率的なアライメントを可能にする。
  論文  参考訳（メタデータ） (2025-06-25T06:40:14Z)
• COrAL: Order-Agnostic Language Modeling for Efficient Iterative Refinement [80.18490952057125]
  反復改良は、複雑なタスクにおける大規模言語モデル(LLM)の能力を高める効果的なパラダイムとして登場した。 我々はこれらの課題を克服するために、コンテキストワイズ順序非依存言語モデリング(COrAL)を提案する。 当社のアプローチでは、管理可能なコンテキストウィンドウ内で複数のトークン依存関係をモデル化しています。
  論文  参考訳（メタデータ） (2024-10-12T23:56:19Z)
• Investigating the Role of Instruction Variety and Task Difficulty in Robotic Manipulation Tasks [50.75902473813379]
  本研究は、そのようなモデルの一般化能力における命令と入力の役割を体系的に検証する包括的評価フレームワークを導入する。 提案フレームワークは,極度の命令摂動に対するマルチモーダルモデルのレジリエンスと,観測的変化に対する脆弱性を明らかにする。
  論文  参考訳（メタデータ） (2024-07-04T14:36:49Z)
• Recurrent Complex-Weighted Autoencoders for Unsupervised Object Discovery [62.43562856605473]
  複雑な重み付き再帰的アーキテクチャの計算上の優位性について論じる。 本稿では,反復的制約満足度を実現する完全畳み込みオートエンコーダSynCxを提案する。
  論文  参考訳（メタデータ） (2024-05-27T15:47:03Z)
• Self-Reflective Variational Autoencoder [21.054722609128525]
  変分オートエンコーダ(VAE)は潜在変数生成モデルを学習するための強力なフレームワークである。 自己回帰推論(self-reflective inference)と呼ばれるソリューションを導入します。 実験では, 後部と後部を正確に一致させることの明確な利点を実証的に示す。
  論文  参考訳（メタデータ） (2020-07-10T05:05:26Z)

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。