論文の概要: Stationarity-Aware Retrieval-Augmented Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.04135v1
• Date: Tue, 02 Jun 2026 18:47:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.330801
• Title: Stationarity-Aware Retrieval-Augmented Time Series Forecasting
• Title（参考訳）: 定常性を考慮した検索時系列予測
• Authors: Shiqiao Zhou, Holger Schöner, Zipeng Wu, Edouard Fouché, IAG Wilson, Shuo Wang,
• Abstract要約: 時系列予測は歴史的パターンに依存している。 リアルワールドシリーズは、しばしば非定常性やレギュラーシフトを示す。 定常性を考慮した検索時系列予測手法を提案する。
• 参考スコア（独自算出の注目度）: 5.059121667323038
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting relies on historical patterns, but real-world series often exhibit non-stationarity and regime shifts that challenge fully parametric forecasters. Inspired by Retrieval-Augmented Generation (RAG), recent work augments forecasters by retrieving relevant historical segments and using them as external evidence at inference time. However, due to the intrinsic non-stationarity of real-world time series, a highly similar past segment does not necessarily imply a similar future, rendering similarity-only retrieval brittle and prone to redundancy. We propose Stationarity-Aware Retrieval-Augmented Time Series Forecasting (SARAF), a framework that adaptively balances relevance and diversity in retrieval. SARAF first forms a candidate pool via temporal similarity with time-aligned enhancement, then applies a diversity-aware selection strategy to cover heterogeneous historical regimes, with the diversification strength automatically modulated by dataset-level stationarity. Moreover, SARAF uses stationarity-aware aggregation to fuse the retrieved futures. Extensive experiments on eight real-world datasets show that SARAF achieves competitive forecasting performance and improves average accuracy and robustness over strong baselines, with particularly clear benefits under challenging non-stationary settings. Code: https://github.com/ShiqiaoZhou/SARAF.
• Abstract（参考訳）: 時系列予測は歴史的パターンに依存するが、実世界のシリーズは、完全にパラメトリックな予測に挑戦する非定常性や体制的なシフトを示すことが多い。 Retrieval-Augmented Generation (RAG) にインスパイアされた最近の研究は、関連する歴史的セグメントを検索し、推論時の外部証拠として使用することによって、予測者を増強している。 しかし、実世界の時系列の本質的な非定常性のため、非常に類似した過去のセグメントは必ずしも類似した未来を示唆するものではなく、類似性のみの検索の脆さと冗長性の傾向が生じる。 本研究では、検索における妥当性と多様性を適応的にバランスさせるフレームワークであるSARAF(Stationarity-Aware Retrieval-Augmented Time Series Forecasting)を提案する。 SARAFは、まず時間的類似性と時間的整合性の向上を通じて候補プールを形成し、その後、多様性に配慮した選択戦略を適用して、データセットレベルの定常性によって自動的に変動強度を変調する。 さらに、SARAFは固定性を考慮したアグリゲーションを使用して、検索した未来を融合する。 8つの実世界のデータセットに対する大規模な実験により、SARAFは競争力のある予測性能を達成し、強力なベースラインよりも平均精度とロバスト性を向上し、特に非定常的な設定に挑戦する上での明確なメリットが示されている。 コード:https://github.com/ShiqiaoZhou/SARAF.com

関連論文リスト

• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• Seeking SOTA: Time-Series Forecasting Must Adopt Taxonomy-Specific Evaluation to Dispel Illusory Gains [17.650604674194984]
  我々は、AI/ML時系列予測モデルを評価する現在の実践は、効率的な古典的手法の性能を見極めることで、実際の進歩を曖昧にしていると論じる。 これらの「標準」データセットは、しばしばより単純な線形または統計モデルによって効果的に捉えられる、支配的な自己相関パターンと季節周期を示す。
  論文  参考訳（メタデータ） (2026-03-16T16:34:26Z)
• Optimal Look-back Horizon for Time Series Forecasting in Federated Learning [26.070107882914844]
  本稿では,フェデレート時系列予測における適応的地平面選択の原理的枠組みを提案する。 我々は予測損失をベイズ項に分解し、既約不確実性を反映する。 予測損失の総和は、既約損失が飽和し始める最小の地平線で最小化され、近似損失は増加し続けることを示す。
  論文  参考訳（メタデータ） (2025-11-16T21:46:54Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Retrieval Augmented Time Series Forecasting [19.71444850959715]
  我々は、時系列データの動的かつイベント駆動的な性質が、RAGを時系列予測の重要な構成要素にしていると論じる。 我々は、RAF(Retrieval Augmented Forecasting)と呼ばれる時系列予測のための原則付きRAGフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-11-12T23:55:11Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Towards Diverse and Coherent Augmentation for Time-Series Forecasting [22.213927377926804]
  時系列データの増大は、ディープラーニングモデルのトレーニングデータ不足の問題を緩和する。 我々は、より多種多様なコヒーレントなサンプルを生成するために、スペクトルと時間拡張を組み合わせることを提案する。 5つの実世界の時系列データセットの実験では、STAugがデータ拡張なしでベースモデルより優れていることが示されている。
  論文  参考訳（メタデータ） (2023-03-24T19:40:34Z)

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。