論文の概要: Beyond Extrapolation: Knowledge Utilization Paradigm with Bidirectional Inspiration for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.19249v1
• Date: Tue, 19 May 2026 01:43:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.063514
• Title: Beyond Extrapolation: Knowledge Utilization Paradigm with Bidirectional Inspiration for Time Series Forecasting
• Title（参考訳）: 外部補間を超えて:時系列予測のための双方向吸気を用いた知識利用パラダイム
• Authors: Liu Chong, Yingjie Zhou, Hao Li, Pengyang Wang, Qingsong Wen, Ce Zhu,
• Abstract要約: KUP-BIは、エンファントレインのみの歴史図書館から継続スタイルの知識を抽出する新しい時系列モデリングパラダイムである。 最新モデルの予測性能を継続的に改善し、オーバーヘッドを小さくする。
• 参考スコア（独自算出の注目度）: 81.44658512649633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series forecasting is critical in various scenarios, such as energy, transportation, and public health. However, most existing forecasters rely primarily on one-way inference, \textit{i.e.}, mapping \textbf{history} to \textbf{target}, and overlook the structural information provided by a revised natural chain (``\textbf{history} (model input) -- \textbf{target} (ground-truth output) -- \textbf{post-target continuation}''). The post-target continuation records how trajectories evolve after the target, which can help stabilize forecasting, but it is not observable at inference time. In this work, we aim to obtain an approximate proxy of the post-target continuation for the current input, providing structural knowledge for bidirectional forecasting. This idea is instantiated as KUP-BI (Knowledge Utilization Paradigm with Bidirectional Inspiration), a new time-series modeling paradigm that distills continuation-style knowledge (as an approximate post-target continuation proxy) from a \emph{train-only} historical library and integrates it into standard forecasting backbones. The input stream and the continuation-proxy stream are fused via a lightweight feature-level gating module. This design does not introduce information beyond what is already contained in the training trajectories; instead, it provides a structured inductive bias that helps backbones exploit typical continuation patterns rather than relying solely on parametric extrapolation. Experimental results on six public datasets show that KUP-BI consistently improves the forecasting performance of state-of-the-art models, with small additional overhead.
• Abstract（参考訳）: 時系列予測はエネルギー、輸送、公衆衛生といった様々なシナリオにおいて重要である。 しかし、既存の予測者は、主に片方向の推論である \textit{i.e.} に依存し、 \textbf{history} を \textbf{target} にマッピングし、修正された自然鎖によって提供される構造情報(``\textbf{history} (model input) -- \textbf{target} (ground-truth output) -- \textbf{post-target continuation}')を見渡す。 ターゲティング後の継続は、軌道がターゲットの後にどのように進化するかを記録し、予測を安定させるのに役立つが、推論時には観測できない。 本研究では,2方向予測のための構造的知識を提供し,現在の入力に対するターゲット後継続の近似的プロキシを得ることを目的とする。 このアイデアはKUP-BI(Knowledge utilization Paradigm with Bidirectional Inspiration)としてインスタンス化され、"emph{train-only"履歴ライブラリから継続スタイルの知識(ほぼターゲット後継続プロキシとして)を蒸留し、標準的な予測バックボーンに統合する新しい時系列モデリングパラダイムである。 入力ストリームと継続プロキシストリームは、軽量な機能レベルのゲーティングモジュールを介して融合される。 この設計では、トレーニングトラジェクトリにすでに含まれている情報以外の情報を導入せず、代わりに、バックボーンがパラメトリックの外挿のみに頼るのではなく、典型的な継続パターンを利用するのに役立つ構造的帰納バイアスを提供する。 6つの公開データセットの実験結果から、KUP-BIは最新モデルの予測性能を継続的に改善し、オーバーヘッドは小さくなった。

関連論文リスト

• CastFlow: Learning Role-Specialized Agentic Workflows for Time Series Forecasting [74.29761960394848]
  大規模言語モデル(LLM)のための動的エージェント予測フレームワークであるCastFlowを提案する。 CastFlowは予測プロセスを計画、アクション、予測、リフレクションに編成し、エージェントワークフローを確立する。 第3に、CastFlowは、汎用推論と特殊な数値予測を組み合わせたロール特殊化設計を採用する。
  論文  参考訳（メタデータ） (2026-04-30T13:24:42Z)
• Time Series Forecasting via Direct Per-Step Probability Distribution Modeling [30.189067458868326]
  インターリーブ二重分岐確率分布ネットワーク(InterPDN)という新しいモデルを提案する。 これはスカラーではなく、ステップごとに離散確率分布を直接構成する。 複数の実世界のデータセットの実験は、InterPDNの優れた性能を示している。
  論文  参考訳（メタデータ） (2025-11-28T15:13:41Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• BinConv: A Neural Architecture for Ordinal Encoding in Time-Series Forecasting [5.827431686047649]
  確率予測のために設計された完全畳み込みニューラルネットワークアーキテクチャである textbfBinConv を提案する。 BinConvは、ポイントと確率予測の両方で広く使用されているベースラインデータセットと比較して、優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-05-30T13:41:39Z)
• Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [51.01356105618118]
  時系列はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。 既存のアプローチでは、通常、これらのさまざまなパターンをキャプチャするために単一のモデルをトレーニングするが、しばしばパッチ間のパターンのドリフトに苦労する。 より正確で適応可能な時系列予測にパターン特化の専門家を活用する新しいアーキテクチャであるTFPSを提案する。
  論文  参考訳（メタデータ） (2024-10-13T13:35:29Z)
• LaT-PFN: A Joint Embedding Predictive Architecture for In-context Time-series Forecasting [0.0]
  我々は,ゼロショット予測を可能にする強力な埋め込み空間を持つ基本時系列モデルであるLatntTimePFNを紹介する。 我々は、PFNとJEPA(Joint Embedding Predictive Architecture)フレームワークの新たな統合を利用して、潜在空間におけるコンテキスト内学習を行う。
  論文  参考訳（メタデータ） (2024-05-16T13:44:56Z)
• HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
  HPNetは、新しい動的軌道予測手法である。 逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。 私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
  論文  参考訳（メタデータ） (2024-04-09T14:42:31Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)

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。