論文の概要: What if Tomorrow is the World Cup Final? Counterfactual Time Series Forecasting with Textual Conditions

• arxiv url: http://arxiv.org/abs/2605.14422v1
• Date: Thu, 14 May 2026 06:10:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-16 00:43:04.099884
• Title: What if Tomorrow is the World Cup Final? Counterfactual Time Series Forecasting with Textual Conditions
• Title（参考訳）: 明日がワールドカップ決勝の日か? テクスチュア条件による時系列予測
• Authors: Shuqi Gu, Yongxiang Zhao, Baoyu Jing, Kan Ren,
• Abstract要約: 時系列予測は、現実のシナリオにおいてますます重要になっている。 伝統的な手法は、典型的には歴史的データや現実的な将来の状況に依存している。 本稿では,テキストによる時系列予測の課題について紹介する。
• 参考スコア（独自算出の注目度）: 17.093435375113298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting has become increasingly critical in real-world scenarios, where future sequences are influenced not only by historical patterns but also by forthcoming events. In this context, forecasting must dynamically adapt to complex and stochastic future conditions, which introduces fundamental challenges in both forecasting and evaluation. Traditional methods typically rely on historical data or factual future conditions, while overlooking counterfactual scenarios. Furthermore, many existing approaches are restricted to simple structured conditions, limiting their ability to generalize to the real-world complexities. To address these gaps, we introduce the task of counterfactual time series forecasting with textual conditions, enabling more flexible and condition-aware forecasting. We propose a comprehensive evaluation framework that encompasses both factual and counterfactual settings, even in the absence of ground truth time series. Additionally, we present a novel text-attribution mechanism that distinguishes mutable from immutable factors, thereby improving forecast accuracy under sophisticated and stochastic textual conditions. The project page is at https://seqml.github.io/TADiff/
• Abstract（参考訳）: 時系列予測は現実のシナリオにおいてますます重要になってきており、将来のシーケンスは歴史的パターンだけでなく、今後のイベントの影響も受けている。 この文脈では、予測は、予測と評価の両方において根本的な課題をもたらす複雑で確率的な将来の条件に動的に適応する必要がある。 従来の手法は、典型的には過去のデータや現実の将来の状況に依存し、反現実的なシナリオを見下ろしている。 さらに、既存の多くのアプローチは単純な構造化条件に制限されており、現実の複雑さに一般化する能力に制限されている。 これらのギャップに対処するため,本研究では,テキストによる時系列予測のタスクを導入し,より柔軟で条件対応の予測を可能にする。 本報告では,実写と実写の両方の設定を包含する包括的評価フレームワークを提案する。 さらに,不変因子と不変因子を区別し,高度で確率的なテキスト条件下での予測精度を向上させる新しいテキスト属性機構を提案する。 プロジェクトページはhttps://seqml.github.io/TADiff/にある。

関連論文リスト

• TemporalBench: A Benchmark for Evaluating LLM-Based Agents on Contextual and Event-Informed Time Series Tasks [12.114998959919978]
  強い予測性能が真の時間的理解を反映しているか、文脈的・事象駆動的条件下での推論能力を反映しているかは明らかでない。 よりリッチな情報環境下での時間的推論行動を評価するために設計されたマルチドメインベンチマークである TemporalBench を紹介する。 将来のターゲットやコンテキスト情報へのアクセスを制御することで、モデルが時間的パターンを正しく解釈できるかどうかの診断分析が可能になる。
  論文  参考訳（メタデータ） (2026-02-05T01:02:19Z)
• What If TSF: A Benchmark for Reframing Forecasting as Scenario-Guided Multimodal Forecasting [8.593646221015264]
  TSF(WIT)は、モデルが文脈テキストで予測を条件付けできるかどうかを評価するためのベンチマークである。 WITはシナリオ誘導型マルチモーダル予測のための厳格なテストベッドを提供する。
  論文  参考訳（メタデータ） (2026-01-13T12:47:43Z)
• EventTSF: Event-Aware Non-Stationary Time Series Forecasting [73.54313384419792]
  EventTSFは、過去の時系列とテキストイベントを統合し、その後の予測を行う自動回帰生成フレームワークである。 8つの合成および実世界のデータセットの実験によると、EventTSFは、さまざまなイベント対応の非定常時系列予測シナリオで12のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-19T01:28:47Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting [63.01035584154509]
  私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。 このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。 そこで本稿では,SCTc-TE予測にローカルコンテキストとグローバルコンテキストの両方を活用可能なLoGoを提案する。
  論文  参考訳（メタデータ） (2023-12-02T07:40:21Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Encoding Seasonal Climate Predictions for Demand Forecasting with Modular Neural Network [0.8378605337114742]
  本稿では,サプライチェーン機能に対する堅牢で信頼性の高い時系列予測を提供するため,季節的気候予測を符号化する新しい枠組みを提案する。 本実験は, 季節気候予測をモデル化し, 複数の実世界のデータセットに対して約13%から17%の誤差低減を達成できることを示す。
  論文  参考訳（メタデータ） (2023-09-05T13:58:59Z)
• Self-Interpretable Time Series Prediction with Counterfactual Explanations [4.658166900129066]
  解釈可能な時系列予測は、医療や自動運転といった安全上重要な分野において重要である。 既存の手法の多くは、重要なスコアを時系列のセグメントに割り当てることで予測を解釈することに集中している。 我々は,時系列予測のための非現実的かつ実用的な説明を生成する,CounTS(Counfactual Time Series)と呼ばれる自己解釈可能なモデルを開発した。
  論文  参考訳（メタデータ） (2023-06-09T16:42:52Z)

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。