論文の概要: PaP-NF: Probabilistic Long-Term Time Series Forecasting via Prefix-as-Prompt Reprogramming and Normalizing Flows

• arxiv url: http://arxiv.org/abs/2605.23219v1
• Date: Fri, 22 May 2026 04:22:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.196408
• Title: PaP-NF: Probabilistic Long-Term Time Series Forecasting via Prefix-as-Prompt Reprogramming and Normalizing Flows
• Title（参考訳）: PaP-NF: プリフィックス・アズ・プロンプトによる確率的長期予測と正規化フロー
• Authors: Minju Kim, Youngbum Hur,
• Abstract要約: 時系列予測は多くの実世界のアプリケーションにおいて中心的な役割を果たす。 既存のアプローチのほとんどは決定論的モデルに依存しており、単一点予測が不十分である。 本研究では,連続時系列表現を凍結した大言語モデルと整合する確率的予測フレームワークPaP-NFを提案する。
• 参考スコア（独自算出の注目度）: 7.968962975207229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting plays a central role in many real-world applications and has been extensively studied. Most existing approaches rely on deterministic models. However, real-world environments exhibit inherently uncertain and complex future behaviors, making single-point predictions insufficient. This highlights the need for probabilistic forecasting methods that can quantify and represent uncertainty. In this work, we propose PaP-NF, a probabilistic forecasting framework that aligns continuous time series representations with a frozen large language model (LLM) using a Prefix-as-Prompt mechanism, and conditions a normalizing flow decoder on the global context extracted by the LLM. The quality of the resulting predictive distributions is evaluated using the Continuous Ranked Probability Score (CRPS), a standard metric in probabilistic forecasting. Across a variety of long-term forecasting benchmarks, PaP-NF robustly captures multi-modal uncertainty while maintaining competitive point forecasting accuracy. The official implementation is available at: https://github.com/democracy04/PaP-NF
• Abstract（参考訳）: 時系列予測は多くの実世界の応用において中心的な役割を担い、広く研究されている。 既存のアプローチのほとんどは決定論的モデルに依存している。 しかし、現実世界の環境は本質的に不確実で複雑な将来の行動を示しており、単一点予測が不十分である。 これは不確実性を定量化し表現できる確率的予測方法の必要性を強調している。 本研究では,プレフィックス・アズ・プロンプト機構を用いて連続時系列表現を凍結した大言語モデル(LLM)と整列する確率的予測フレームワークPaP-NFを提案し,LLMによって抽出されたグローバルコンテキスト上での正規化フローデコーダを条件とした。 予測分布の質は、確率予測の標準指標であるCRPS(Continuous Ranked Probability Score)を用いて評価される。 様々な長期予測ベンチマークにおいて、PaP-NFは競合点予測精度を維持しながら、マルチモーダル不確実性をしっかりと捉えている。 公式実装は以下の通りである。 https://github.com/democracy04/PaP-NF

関連論文リスト

• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Conditional Approximate Normalizing Flows for Joint Multi-Step Probabilistic Electricity Demand Forecasting [32.907448044102864]
  本研究では,条件付き近似正規化流(CANF)を導入し,長い時間的地平線上で相関が存在する場合の確率的多段階時系列予測を行う。 実験の結果, 条件付き近似正規化フローは, 多段階予測精度で他の手法よりも優れており, 最大10倍のスケジューリング決定が導かれることがわかった。
  論文  参考訳（メタデータ） (2022-01-08T03:42:12Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。