論文の概要: L-Drive: Beyond a Single Mapping-Latent Context Drives Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.17730v2
• Date: Mon, 25 May 2026 12:39:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 16:32:37.651793
• Title: L-Drive: Beyond a Single Mapping-Latent Context Drives Time Series Forecasting
• Title（参考訳）: L-Drive: 単一のマッピング待ちコンテキストを超越した時系列予測が可能に
• Authors: Fan Zhang, Shijun Chen, Hua Wang,
• Abstract要約: 変更を意識した予測フレームワークであるL-Driveを提案する。 よりタイムリーな変更手順を提供し、変更セグメントへの適応を改善する。 実験はL-Driveの有効性を検証し、予測精度と計算効率のトレードオフをより良く示す。
• 参考スコア（独自算出の注目度）: 6.726418089422619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mainstream methods for multivariate time-series forecasting largely follow the Direct-Mapping paradigm. They learn a unified mapping from history to the future in the observation space to fit value-level dependencies. However, real-world systems often undergo distribution shifts and regime changes. In such cases, a unified mapping can exhibit response lag around turning points, causing error accumulation within the switching window and reducing forecasting reliability. To address this issue, we propose L-Drive, a change-aware forecasting framework. L-Drive introduces a Latent-Context, to explicitly characterize high-level dynamics evolving over time, and uses gating to modulate increment representations. This provides more timely change cues and improves adaptation to changing segments. In addition, it incorporates patch-shared relative positional basis functions to strengthen intra-segment structural modeling and reduce overfitting caused by absolute-position memorization. Extensive experiments validate the effectiveness of L-Drive and show a better overall trade-off between forecasting accuracy and computational efficiency.
• Abstract（参考訳）: 多変量時系列予測の主流手法はダイレクト・マッピングのパラダイムに大きく従っている。 彼らは、価値レベルの依存関係に合うように、観測空間における歴史から未来への統一されたマッピングを学びます。 しかし、現実世界のシステムは、しばしば流通の変化と体制の変化を経験する。 このような場合、統一写像は、旋回点周辺の応答ラグを示し、切換ウィンドウ内にエラーが蓄積され、予測信頼性が低下する。 この問題に対処するために,変更対応の予測フレームワークであるL-Driveを提案する。 L-Driveは遅延コンテキストを導入し、時間とともに進化するハイレベルなダイナミクスを明示的に特徴付ける。 これにより、よりタイムリーな変更キューが提供され、変更セグメントへの適応が改善される。 さらに、パッチ共有された相対的位置基底関数を組み込んで、セグメント内構造モデリングを強化し、絶対位置記憶によるオーバーフィッティングを低減する。 大規模な実験により,L-Driveの有効性が検証され,予測精度と計算効率とのトレードオフが良好であることがわかった。

関連論文リスト

• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Stabilizing LLM Supervised Fine-Tuning via Explicit Distributional Control [30.25101185177597]
  訓練後の大規模言語モデル(LLM)は、しばしば破滅的な忘れ物に悩まされる。 最近の証拠は、この現象は最適化中に過度な分布の漂流によって引き起こされることを示唆している。 オフライン微調整中の分散更新を明示的に制御するフレームワークであるAnchored Learningを提案する。
  論文  参考訳（メタデータ） (2026-05-06T03:48:15Z)
• TaPD: Temporal-adaptive Progressive Distillation for Observation-Adaptive Trajectory Forecasting in Autonomous Driving [10.160418242076284]
  軌道予測は自律走行に必須であり、車両は周囲のエージェントの動きを予測できる。 可変履歴長下での観測適応軌道予測のための統一的なプラグアンドプレイフレームワークであるTaPDを提案する。 Argoverse 1 と Argoverse 2 の実験は、TaPD が全ての観測範囲で強い基底線を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-06T12:51:32Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting [50.794700596484894]
  IntroPE(Entropy-Guided Dynamic Patch)は,条件付きエントロピーによる遷移点を動的に検出する新しい時間情報フレームワークである。 これは、パッチの計算上の利点を維持しながら、時間構造を保存する。 長期予測ベンチマークによる実験では、EntroPEは精度と効率の両方を改善している。
  論文  参考訳（メタデータ） (2025-09-30T12:09:56Z)
• DRAN: A Distribution and Relation Adaptive Network for Spatio-temporal Forecasting [19.064628208136273]
  本稿では,動的に適応し,時間とともに変化に適応できる分布関係適応ネットワーク(DRAN)を提案する。 正規化非正規化プロセスを可能にする空間因子学習モジュール(SFL)を開発した。 本手法は,気象予報や交通流予測タスクにおける最先端手法より優れている。
  論文  参考訳（メタデータ） (2025-04-02T09:18:43Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)

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。