論文の概要: Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing

• arxiv url: http://arxiv.org/abs/2605.18068v1
• Date: Mon, 18 May 2026 08:51:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.200734
• Title: Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing
• Title（参考訳）: オーバースカッシングの緩和による時空間残差伝播の改善
• Authors: Seyed Mohamad Moghadas, Esther Rodrigo Bonet, Bruno Cornelis, Adrian Munteanu,
• Abstract要約: 本稿では,エラー関連自己回帰予測の時間的制限を克服する構造的不確実性モジュールであるTegerを紹介する。 Tegerはバックボーンに依存しないため、自己回帰エンコーダによって生成される潜伏状態のみを必要とする。
• 参考スコア（独自算出の注目度）: 4.62541204592513
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Residual error propagation remains a fundamental problem in recurrent models, where small prediction inaccuracies compound over time and degrade long-horizon performance. Accurately modeling the correlation structure of such residuals is critical for reliable uncertainty quantification in probabilistic multivariate timeseries forecasting. While recent time-series deep models efficiently parametrize time-varying contemporaneous correlations, they often assume temporal independence of errors and neglect spatial correlation across the observed network. In this paper, we introduce Teger, a structured uncertainty module that overcomes the spa- tial and temporal limitations of error-correlated autoregressive forecasting. Teger proposes a spatial curvature-aware graph rewiring mechanism explicitly strengthening information-bottleneck edges identified by discrete Forman curvature. The component is integrated into a low-rank-plus-diagonal covariance head, preserving tractable inference via the Woodbury identity. Teger is backbone-agnostic, requiring only the latent state produced by any autoregressive encoder. We provide theoretical evidence of Teger, and experimentally evaluate it on LSTM, Transformer, and xLSTM backbones across four real-world spatio-temporal datasets, showing consistent improvement in Continuous Ranked Probability Score (CRPS). We further provide a formal theoretical analysis connecting curvature-aware rewiring to (i) oversquashing alleviation, (ii) improved spectral connectivity, (iii) reduced effective resistance, and (iv) improved covariance calibration bounds
• Abstract（参考訳）: 残留誤差の伝播は、時間とともに小さな予測の不正確さが複雑化し、長い水平性能が低下する反復モデルにおいて基礎的な問題である。 このような残差の相関構造を正確にモデル化することは、確率的多変量時系列予測における確実な不確実性定量化に重要である。 近年の時系列深部モデルは時間変化の同時相関を効率的にパラメトリするが、しばしばエラーの時間的独立性を仮定し、観測ネットワーク全体の空間的相関を無視する。 本稿では,エラー関連自己回帰予測の時間的制約を克服する構造的不確実性モジュールであるTegerを紹介する。 Teger氏は、離散Forman曲率によって識別される情報-ブートネックエッジを明示的に強化する空間曲率対応グラフ再構成機構を提案する。 この成分は低ランク+対角共分散ヘッドに統合され、ウッドベリー恒等式による引き込み可能な推論を保存する。 Tegerはバックボーンに依存しないため、自己回帰エンコーダによって生成される潜伏状態のみを必要とする。 我々は,Tegerの理論的証拠を提供し,実世界の4つの時空間データセットにおけるLSTM,Transformer,xLSTMのバックボーンについて実験的に評価し,連続的ランク付け確率スコア(CRPS)の一貫性の向上を示した。 さらに、曲率認識を接続する公式な理論的解析を提供する。 (一)緩和を過度に行うこと。 (ii)スペクトル接続性の向上。 三 有効抵抗を減らし (四 改良された共分散キャリブレーション境界

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• A Continuous-Time Ensemble Kalman-Bucy Smoother for Causal Inference and Model Discovery [6.75658113372928]
  本稿では,非線形力学系の連続DAのためのアンサンブルKalman-Bucy smoother (EnKBS)を提案する。 EnKBSのスキルは、様々な重要な科学的問題で実証されている。
  論文  参考訳（メタデータ） (2026-04-28T02:58:42Z)
• Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
  本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。 ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。 実験により,提案手法が最先端検出性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-20T09:24:28Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Multivariate Probabilistic Time Series Forecasting with Correlated Errors [17.212396544233307]
  本稿では,自動回帰モデルのための複数ステップでエラーの共分散構造を学習するプラグイン・アンド・プレイ手法を提案する。 RNNとTransformerアーキテクチャ上に構築された確率モデルについて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-02-01T20:27:19Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)

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。