論文の概要: Three-Stage Learning Unlocks Strong Performance in Simple Models for Long-Term Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2605.13678v1
- Date: Wed, 13 May 2026 15:36:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:28.142388
- Title: Three-Stage Learning Unlocks Strong Performance in Simple Models for Long-Term Time Series Forecasting
- Title（参考訳）: 長期連続予測のための簡易モデルにおける3段階学習の強みを解き放つ
- Authors: Zhenan Yu, Guangxin Jiang, Jin Yang,
- Abstract要約: STAIRは、複雑なアーキテクチャモジュールを導入することなく、単純な時間マッピングモデルのキャパシティを開放することを目的としている。
まず、共有時間マッピングを通じて変数間の共通時間ダイナミクスを学習し、その後、チャネルワイドな微調整により各変数に共有モデルを適用することで、変数固有のパターンをキャプチャし、最後に、残差学習を通じてクロス変数情報でバックボーンを補完する。
- 参考スコア（独自算出の注目度）: 6.603558172147427
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent studies on long-term time series forecasting have shown that simple linear models and MLP-based predictors can achieve strong performance without increasingly complex architectures. However, many competitive baselines still rely on structural priors such as frequency-domain modeling, explicit decomposition, multi-scale mixing, or sophisticated cross-variable interaction modules, while paying less attention to how simple temporal mappings should be trained and organized. In this paper, we propose STAIR, short for Stagewise Temporal Adaptation via Individualization and Residual Learning, a training paradigm for long-term time series forecasting that aims to unlock the capacity of simple temporal mapping models without introducing complex architectural modules. STAIR decomposes forecasting ability into three progressive stages: it first learns common temporal dynamics across variables through a shared temporal mapping, then adapts the shared model to each variable via channel-wise fine-tuning to capture variable-specific patterns, and finally complements the backbone with cross-variable information through residual learning. We further introduce Shared-to-Individual Fine-tuning and alpha-RevIN to mitigate the limitations of strict channel independence and the overly strong normalization prior induced by standard RevIN. This design gradually increases modeling flexibility while keeping the core temporal predictor as a shallow MLP in the main experiments, with linear variants analyzed separately. Experiments on nine long-term forecasting benchmarks show that STAIR matches or outperforms recent strong baselines while preserving a simple temporal backbone, providing a concise and effective modeling perspective for long-term time series forecasting.
- Abstract（参考訳）: 近年の時系列予測の研究により、単純な線形モデルとMLPベースの予測器がより複雑なアーキテクチャを伴わずに高い性能を達成できることが示されている。
しかし、多くの競争基盤線は、周波数領域のモデリング、明示的な分解、マルチスケールの混合、洗練された相互変数の相互作用モジュールといった構造的前提に依存している。
本稿では、複雑なアーキテクチャモジュールを導入することなく、単純な時間的マッピングモデルのキャパシティを開放することを目的とした、長期時系列予測のトレーニングパラダイムである、個人化と残留学習による段階的時間的適応のためのSTAIRを提案する。
STAIRは、予測能力を3つの段階に分解する: まず、共有時間マッピングを通して変数間の共通時間ダイナミクスを学習し、次に、チャンネルワイドの微調整を通して各変数に共有モデルを適応し、変数固有のパターンをキャプチャし、最後に、残差学習を通して、バックボーンをクロス変数情報で補完する。
さらに、厳密なチャネル独立の限界を緩和し、標準RevINによって誘導される過度に強い正規化を緩和するために、Shared-to-Individual Fine-tuningとα-RevINを導入する。
この設計は、主実験においてコア時間予測器を浅いMLPとして維持しながら、モデリングの柔軟性を徐々に向上させ、線形変分を別々に解析する。
9つの長期予測ベンチマークの実験では、STAIRは、単純な時間的バックボーンを保持しながら、最近の強いベースラインと一致または性能を向上し、長期時系列予測のための簡潔で効果的なモデリング視点を提供する。
関連論文リスト
- SPaRSe-TIME: Saliency-Projected Low-Rank Temporal Modeling for Efficient and Interpretable Time Series Prediction [0.0]
SPaRSe-TIME(サイト・英語)は、時系列を分解して3つの相補的なコンポーネント(サリエンシ、メモリ、トレンド)にモデル化するフレームワークである。
多様な実世界のデータセットの実験は、SPaRSe-TIMEが競合性能を達成することを示した。
全体として、SPaRSe-TIMEは、モノリシックシーケンスモデルの原則的な代替、ブリッジ効率、解釈可能性、パフォーマンスを提供し、時系列学習のためのスケーラブルなフレームワークを提供する。
論文 参考訳（メタデータ） (2026-04-19T09:55:28Z) - 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) - DeCoP: Enhancing Self-Supervised Time Series Representation with Dependency Controlled Pre-training [39.30046923897652]
本稿では、動的でマルチスケールな依存関係を、進化するパッチ間の依存関係をシミュレートすることで、明示的にモデル化する依存性制御事前学習フレームワークを提案する。
DeCoPは、低いコンピューティングリソースを持つ10のデータセットに対して最先端の結果を達成し、わずか37%のFLOPを使用して、PatchTST上のETTh1上でMSEを3%改善する。
論文 参考訳（メタデータ） (2025-09-18T05:44:06Z) - Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines [5.543238821368548]
時系列はしばしば、異なる時間帯と領域にまたがる時間パターンに顕著な多様性を示す。
Time Trackerは、精度、モデルの一般化、適応性を予測する際に最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-05-21T06:18:41Z) - Generative Models for Long Time Series: Approximately Equivariant Recurrent Network Structures for an Adjusted Training Scheme [4.327763441385371]
本稿では,連続層を有する変分オートエンコーダ(VAE)に基づく時系列データに対する簡易かつ効果的な生成モデルを提案する。
本手法では,シーケンス長を漸進的に向上させる適応型トレーニング手法を提案する。
リカレントアーキテクチャを利用することで、モデルはシーケンス長に関係なく定数数のパラメータを保持する。
論文 参考訳（メタデータ） (2025-05-08T07:52:37Z) - A Decomposition Modeling Framework for Seasonal Time-Series Forecasting [0.0]
時系列は複雑な長期依存関係を示す。
本稿では、時系列予測のためのMSSD(Multi-scale Seasonal Decomposition Model)を提案する。
論文 参考訳（メタデータ） (2024-12-12T01:37:25Z) - 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) - Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
時系列予測(LTSF)は時系列分析において重要なフロンティアである。
本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。
興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
論文 参考訳（メタデータ） (2024-01-22T13:15:40Z) - TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。
結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
論文 参考訳（メタデータ） (2023-10-02T16:45:19Z)
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。