論文の概要: TopoPrimer: The Missing Topological Context in Forecasting Models

• arxiv url: http://arxiv.org/abs/2605.15035v1
• Date: Thu, 14 May 2026 16:30:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.947687
• Title: TopoPrimer: The Missing Topological Context in Forecasting Models
• Title（参考訳）: TopoPrimer: 予測モデルにおけるトポロジカルコンテキストの欠如
• Authors: Zara Zetlin, Kayhan Moharreri, Maria Safi,
• Abstract要約: TopoPrimerは,時系列のグローバルなトポロジカルな構造を,任意の予測モデルに対する明示的な入力とするフレームワークである。 TopoPrimerは、さまざまな領域にわたる精度を改善し、季節的な需要急増下での予測を安定化し、コールドスタートギャップを閉じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce TopoPrimer, a framework that makes the global topological structure of the series population an explicit input to any forecasting model. TopoPrimer improves accuracy across diverse domains, stabilizes forecasts under seasonal demand spikes, and closes the cold-start gap. Precomputed once per domain via persistent homology and spectral sheaf coordinates, TopoPrimer deploys per token for fully-trained models and as a lightweight adapter for pre-trained backbones. Of these two components, sheaf coordinates are the primary accuracy driver. Across four public benchmarks on Chronos and TimesFM, TopoPrimer consistently improves forecasting accuracy, with gains of up to 7.3% MSE on ECL. The topology advantage persists with near-identical magnitude across zero-shot and fine-tuned backbones, suggesting topology and per-series training capture complementary signals. The gains are most pronounced in difficult regimes. Under peak seasonal demand, classical and zero-shot models degrade by up to 50%, while TopoPrimer stays within 10%. At cold start with no item history, TopoPrimer reduces MAE by 27% over a topology-free baseline.
• Abstract（参考訳）: TopoPrimerは,時系列のグローバルなトポロジカルな構造を,任意の予測モデルに対する明示的な入力とするフレームワークである。 TopoPrimerは、さまざまな領域にわたる精度を改善し、季節的な需要急増下での予測を安定化し、コールドスタートギャップを閉じる。 TopoPrimerは、永続的なホモロジーとスペクトル層座標によって1ドメインあたり1回プリコンパイルされ、トークン毎に完全にトレーニングされたモデルと、事前トレーニングされたバックボーン用の軽量アダプタとしてデプロイされる。 これら2つのコンポーネントのうち、せん断座標が主精度ドライバである。 ChronosとTimesFMの4つの公開ベンチマークで、TopoPrimerは予測精度を継続的に改善し、ECLでは最大7.3% MSEが上昇した。 トポロジーの利点は、ゼロショットと微調整されたバックボーンのほぼ等級で持続し、トポロジーとシリーズごとのトレーニングが相補的なシグナルを捉えることを示唆している。 利得は難しい状況において最も顕著である。 季節需要のピーク時には、古典的およびゼロショットのモデルは最大50%低下し、TopoPrimerは10%以内に留まる。 アイテム履歴のないコールドスタートでは、トポロジのないベースラインに対して、TopoPrimerはMAEを27%削減する。

関連論文リスト

• Forecasting Ionospheric Irregularities on GNSS Lines of Sight Using Dynamic Graphs with Ephemeris Conditioning [1.100580615194563]
  我々は、電離圏のピアス点(IPP)上の動的グラフとして電離圏をモデル化する。 この特性を将来のグラフ構造に関する条件予測に活用する。 これにより、予測地平線にのみ現れる視線を予測できる。
  論文  参考訳（メタデータ） (2026-04-20T15:04:20Z)
• MR-GNF: Multi-Resolution Graph Neural Forecasting on Ellipsoidal Meshes for Efficient Regional Weather Prediction [0.0]
  我々は,地球上の楕円型多スケールグラフ上で,短期的な地域予測を行う軽量な物理認識モデルであるMulti-Resolution Graph Neural Forecasting (MR-GNF)を紹介する。 MR-GNFは、イギリスとアイルランドのセクターで、地表の温度、風、降水量について、安定な+6hから+24hの予測を提供する。 これらの結果は、グラフベースのニューラルオペレーターが、NWPコストのごく一部で信頼性の高い高解像度気象予測を達成できることを実証している。
  論文  参考訳（メタデータ） (2026-03-13T20:04:22Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Generalized Logit Adjustment: Calibrating Fine-tuned Models by Removing Label Bias in Foundation Models [75.9543301303586]
  CLIPのようなファンデーションモデルは、追加のトレーニングデータなしで、さまざまなタスクでゼロショット転送を可能にする。 微調整やアンサンブルも一般的に下流のタスクに合うように採用されている。 しかし、先行研究は基礎モデルに固有のバイアスを見落としていると論じる。
  論文  参考訳（メタデータ） (2023-10-12T08:01:11Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Machine learning for total cloud cover prediction [0.0]
  本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。 生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。 RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
  論文  参考訳（メタデータ） (2020-01-16T17:13:37Z)

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。