論文の概要: Beyond Holistic Models: Systematic Component-level Benchmarking of Deep Multivariate Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.26562v1
• Date: Tue, 26 May 2026 05:18:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.681845
• Title: Beyond Holistic Models: Systematic Component-level Benchmarking of Deep Multivariate Time-Series Forecasting
• Title（参考訳）: ホロスティックモデルを超えて: 深層多変量時系列予測のシステム的コンポーネントレベルベンチマーク
• Authors: Shuang Liang, Chaochuan Hou, Xu Yao, Shiping Wang, Hailiang Huang, Songqiao Han, Minqi Jiang,
• Abstract要約: 我々は,深部予測手法をそのコアとなる微細なコンポーネントに体系的に分解する,最初の大規模ベンチマークであるTSCOMPを提案する。 我々は、異なるバックボーン、データ特性、およびそれらの相互作用におけるコンポーネントの有効性を明らかにする多視点分析を行う。 実験の結果,コーパス駆動型アプローチは最先端手法よりも一貫して優れていることがわかった。
• 参考スコア（独自算出の注目度）: 38.12202305030755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While previous research in multivariate time series forecasting has focused on developing complex holistic models, this work advocates for a shift toward a granular, component-level understanding of their impacts. We propose TSCOMP, the first large-scale benchmark that systematically deconstructs deep forecasting methods into their core, fine-grained components--spanning series preprocessing, encoding strategies, network architectures including specific and large time-series models, and optimization methods. Using constrained orthogonal experimental design and extensive evaluations, we conduct multi-view analyses that reveal component effectiveness across different backbones, data characteristics, and their interactions. Beyond providing insights, this benchmark establishes a fine-grained performance corpus comprising over 20,000 model-dataset evaluations, which supports the learning of automated component selection, enabling zero-shot model construction on new datasets. Our experiments demonstrate that the corpus-driven approach, despite its simplicity, consistently outperforms state-of-the-art methods, validating the soundness of our evaluation design and confirming that systematic component selection surpasses manually designed complex architectures. All code and the performance corpus are publicly available at https://github.com/SUFE-AILAB/TSCOMP.
• Abstract（参考訳）: これまでの多変量時系列予測の研究は、複雑な全体論モデルの開発に重点を置いていたが、この研究は、その影響の粒度、コンポーネントレベルの理解へのシフトを提唱している。 TSCOMPは,深部予測手法をそのコアとなる微細なコンポーネントに体系的に分解する最初の大規模ベンチマークであり,シリーズ前処理,エンコーディング戦略,特定の時系列モデルを含むネットワークアーキテクチャ,最適化手法を提案する。 制約のある直交実験設計と広範囲な評価を用いて、異なるバックボーン、データ特性、およびそれらの相互作用におけるコンポーネントの有効性を明らかにする多視点分析を行う。 洞察を提供する以外に、このベンチマークは20,000以上のモデルデータセット評価を含むきめ細かいパフォーマンスコーパスを確立し、自動コンポーネント選択の学習をサポートし、新しいデータセットでゼロショットモデル構築を可能にする。 実験により, コーパス駆動方式は, その単純さにもかかわらず, 常に最先端の手法より優れており, 評価設計の健全性を検証し, 体系的コンポーネント選択が手作業で設計した複雑なアーキテクチャを超越していることが確認された。 すべてのコードとパフォーマンスコーパスはhttps://github.com/SUFE-AILAB/TSCOMPで公開されている。

関連論文リスト

• Cognitive-YOLO: LLM-Driven Architecture Synthesis from First Principles of Data for Object Detection [3.5554162308775408]
  本稿では,Large Language Models (LLM) によるアーキテクチャ合成のための新しいフレームワークであるCognitive-YOLOを提案する。 まず、分析モジュールがターゲットデータセットから重要なメタ特徴を抽出する。 第2に、LLMはこれらの特徴を理由として、Retrieval-Augmented Generation (RAG)を介して取得した最先端コンポーネントを付加し、アーキテクチャを構造化されたニューラルネットワーク記述言語(NADL)に合成する。 第三に、コンパイラは、この記述をデプロイ可能なモデルにインスタンス化する。
  論文  参考訳（メタデータ） (2025-12-13T10:52:54Z)
• ProtoTSNet: Interpretable Multivariate Time Series Classification With Prototypical Parts [6.99674326582747]
  ProtoTSNetは時系列データの解釈可能な分類のための新しいアプローチである。 我々のイノベーションの中心は、グループ畳み込みを利用した畳み込みエンコーダであり、オートエンコーダの一部として事前訓練可能である。
  論文  参考訳（メタデータ） (2025-11-04T00:42:42Z)
• Segmentation over Complexity: Evaluating Ensemble and Hybrid Approaches for Anomaly Detection in Industrial Time Series [36.94429692322632]
  本研究では,変化点に基づく統計的特徴,クラスタリングに基づくサブ構造表現,およびハイブリッド学習戦略が検出性能に与える影響を評価する。 アンサンブルは0.976のAUC-ROC、F1スコア0.41のAUC-ROC、および定義された時間窓内での早期検出を100%達成した。
  論文  参考訳（メタデータ） (2025-10-30T05:39:44Z)
• TimeRecipe: A Time-Series Forecasting Recipe via Benchmarking Module Level Effectiveness [21.753566949357026]
  TimeRecipeはモジュールレベルで時系列予測メソッドを体系的に評価するフレームワークである。 TimeRecipeは、個々のコンポーネントの有効性を評価するために、1万以上の実験を行います。 以上の結果から,設計空間の徹底的な探索により,既存の最先端手法よりも優れたモデルが得られることがわかった。
  論文  参考訳（メタデータ） (2025-06-06T19:11:48Z)
• ArtGS: Building Interactable Replicas of Complex Articulated Objects via Gaussian Splatting [66.29782808719301]
  コンピュータビジョンにおいて、音声で表現されたオブジェクトを構築することが重要な課題である。 既存のメソッドは、しばしば異なるオブジェクト状態間で効果的に情報を統合できない。 3次元ガウスを柔軟かつ効率的な表現として活用する新しいアプローチであるArtGSを紹介する。
  論文  参考訳（メタデータ） (2025-02-26T10:25:32Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)

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。