論文の概要: Adaptive Patching Is Harder Than It Looks For Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.04074v1
• Date: Tue, 02 Jun 2026 15:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.295385
• Title: Adaptive Patching Is Harder Than It Looks For Time-Series Forecasting
• Title（参考訳）: 適応的パッチは、時系列予測よりも難しい
• Authors: Federico Zucchi, Yi Xie, Chao Zhang, Keyuan Luo, Thomas Lampert, Ziyue Li,
• Abstract要約: 条件下では、コンテンツ適応型パッチ演算子は、チューニングされた均一な演算よりもパフォーマンスがよい。 適応パッチは、調整された均一なベースラインに対して評価されるべきである。
• 参考スコア（独自算出の注目度）: 11.469701541304737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adaptive patching is a recent and compelling proposal for time-series Transformers: allocate finer patches where the sequence looks locally informative. This paper asks under what conditions a content-adaptive patching operator should outperform a tuned uniform one. Local heterogeneity alone is not enough: under pointwise forecasting losses, a complex-looking region is not automatically one where finer patching reduces the loss. We model patching as a budgeted bitrate allocation and derive an explicit threshold that a dynamic patching rule must satisfy to beat a well-tuned uniform baseline, then bound the achievable improvement both locally (a quadratic surrogate) and globally (a strong-convexity bound under the model's assumptions). Two structural results follow: without a coupling constraint, scalar local complexity cannot produce a non-uniform optimum under a common loss landscape; and once the backbone is trained to its representation-aware optimum, the alignment gain collapses around a well-tuned uniform patch size. To test these predictions, we run a controlled isolation study on three representative architectures, replacing each adaptive mechanism with a uniform patch-size sweep while keeping the backbone, data, and training protocol fixed. On standard long-horizon forecasting benchmarks, the validation-selected uniform baseline is competitive with the dynamic counterpart, with per-setting effects concentrated near zero and no consistent directional advantage once results are aggregated by dataset. The larger gains we do observe are method- and dataset-specific. Adaptive patching should therefore be evaluated against a tuned uniform baseline; its value depends on whether a cheap and reliable routing signal can identify where finer patches actually reduce forecasting loss.
• Abstract（参考訳）: 適応パッチ(Adaptive patching)は、直近で魅力的な時系列トランスフォーマーの提案である。 本稿では、コンテンツ適応型パッチオペレータがチューニングした均一な演算よりも優れている条件を問う。 局所的な不均一性だけでは十分ではない: ポイントワイドな損失予測の下では、複雑に見える領域は自動的に損失を減少させる。 我々は、予算を割ったビットレート割当としてパッチをモデル化し、動的パッチ規則が十分に調整された均一なベースラインを破るために満たさなければならないという明確なしきい値を導出し、その達成可能な改善を局所的に(二次サロゲート)と世界的に(モデルの仮定の下では強い凸性)の両方に束縛する。 2つの構造的結果が従う: 結合制約がなければ、スカラー局所複雑性は共通の損失ランドスケープの下で非一様最適を生成できない; バックボーンがその表現を意識した最適に訓練されると、アライメントは、よく調整された均一なパッチサイズで崩壊する。 これらの予測をテストするために,各適応機構をバックボーン,データ,トレーニングプロトコルを固定したまま,均一なパッチサイズスイープに置き換える,3つの代表的なアーキテクチャに関する制御された分離調査を行った。 標準の長距離予測ベンチマークでは、バリデーション選択された均一ベースラインが動的ベースラインと競合する。 私たちが観察する大きな利益は、メソッドとデータセット固有のものです。 したがって、適応的パッチングは、調整された均一なベースラインに対して評価されるべきであり、その値は、安価で信頼性の高いルーティング信号が、より微細なパッチが実際に予測損失を減少させる場所を特定できるかどうかに依存する。

関連論文リスト

• Perceive, Route and Modulate: Dynamic Pattern Recalibration for Time Series Forecasting [68.53528085362642]
  現在の深い予測モデルは、すべての時間トークンに一様に適用される固定重み行列に依存している。 トークンレベルの再校正によってこれを解決するバックボーンに依存しないメカニズムであるDynamic Pattern Recalibrationを導入する。 DPRNetは12ベンチマークで競合性能を達成し、マクロパラメータスケーリングに対する動的リカバリを検証する。
  論文  参考訳（メタデータ） (2026-05-07T14:12:47Z)
• Dynamic Tokenization via Reinforcement Patching: End-to-end Training and Zero-shot Transfer [19.88776013507579]
  ReinPatchは、シーケンスパッチポリシーと下流シーケンスバックボーンモデルを協調的に最適化するフレームワークである。 パッチ境界配置をGRPG(Group Relative Policy Gradient)によって最適化された決定プロセスとして定式化することにより、ReinPatchは継続的緩和の必要性を回避できる。 我々は、時系列予測データセット上でReinPatchを評価し、最先端のデータ駆動型パッチ戦略と比較して魅力的なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2026-03-27T06:08:30Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• LoBoost: Fast Model-Native Local Conformal Prediction for Gradient-Boosted Trees [3.4988194836573894]
  LoBoostは、マルチスケールキャリブレーショングループを定義するために、アンサンブルの葉構造を再利用するモデルネイティブな局所共形法である。 実験では、競合するインターバル品質、ほとんどのデータセットでのテストMSEの改善、大きなキャリブレーションスピードアップが示されている。
  論文  参考訳（メタデータ） (2026-02-25T21:44:19Z)
• SEER: Transformer-based Robust Time Series Forecasting via Automated Patch Enhancement and Replacement [9.482558107303646]
  本研究では,SEERと呼ばれる時系列予測フレームワークを提案する。 実世界の時系列では、値の欠如、分散シフト、異常、ホワイトノイズなど、データ収集中にしばしば低品質の問題が発生する。 本稿では,2段階のプロセスを通じて,ロバスト性やモデルの精度を予測できるLearningable Patch Replacement Moduleを提案する。
  論文  参考訳（メタデータ） (2026-01-31T08:12:24Z)
• Robust Canonicalization through Bootstrapped Data Re-Alignment [5.437226012505534]
  昆虫や鳥の識別などのきめ細かい視覚分類タスクは、微妙な視覚的手がかりに対する感受性を必要とする。 分散を低減してトレーニングサンプルを反復的に調整するブートストラップアルゴリズムを提案する。 本手法は,拡張と同等の性能を保ちながら,同変および正準化ベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-10-09T13:05:20Z)
• Adaptive Uncertainty Quantification for Generative AI [0.0]
  分割コンフォーマルな推論を反映して、整合性のスコアを校正するブラックボックスアルゴリズムのラッパーを設計する。 校正セット上の適合点に頑健な回帰木を嵌合させることにより適応的分割を実現する。 従来のスプリット・コンフォーマルな推論とは異なり、適応的な分割とグループ内キャリブレーションは、局所的に拡張および縮小できる適応バンドをもたらす。
  論文  参考訳（メタデータ） (2024-08-16T19:37:33Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• Adaptive Spot-Guided Transformer for Consistent Local Feature Matching [64.30749838423922]
  局所的特徴マッチングのための適応スポットガイド変換器(ASTR)を提案する。 ASTRは、統一された粗いアーキテクチャにおける局所的な一貫性とスケールのバリエーションをモデル化する。
  論文  参考訳（メタデータ） (2023-03-29T12:28:01Z)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)
• Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
  Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-03-18T08:47:56Z)

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。