論文の概要: Dirichlet-Guided Group Forecasting for Alleviating Over-smoothing in Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.10592v1
• Date: Tue, 09 Jun 2026 08:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.402478
• Title: Dirichlet-Guided Group Forecasting for Alleviating Over-smoothing in Time Series Forecasting
• Title（参考訳）: 時系列予測における過平滑化緩和のためのディリクレ誘導群予測
• Authors: Xingyu Zhang, Jingyao Wang, Xin Yu, Zeen Song, Jianqi Zhang, Changwen Zheng, Wenwen Qiang,
• Abstract要約: 時系列予測は、特に将来のダイナミクスがマルチモーダルである場合、しばしば過度に平滑化に悩まされる。 モード保存型予測フレームワークであるDirichlet-Guided Group Forecasting (DGF)を提案する。 DGFはディリクレ誘導の階層的なサンプリング機構と報酬に基づく最適化を使用して、正確で、動的に一貫性があり、モード固有の予測を促進する。
• 参考スコア（独自算出の注目度）: 30.49998293741518
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting often suffers from over-smoothing, especially when future dynamics are multi-modal. Forecasts may follow the coarse trend of the observed future, but fail to preserve sharp changes, oscillations, turning points, and regime transitions that define plausible dynamic evolution. In this work, we revisit over-smoothing from the perspective of latent dynamical mode compression: under partial observation and single-realization supervision, multiple plausible future modes can be weakened, merged, or averaged during forecasting. Based on this view, we propose Dirichlet-Guided Group Forecasting (DGF), a mode-preserving forecasting framework that explicitly models multiple mode-conditioned predictive distributions and uncertainty over their selection probabilities. DGF uses a Dirichlet-guided hierarchical sampling mechanism and reward-based optimization to encourage forecasts that are accurate, dynamically consistent, and mode-distinct. Extensive experiments on real-world forecasting benchmarks show that DGF reduces over-smoothing while improving forecasting accuracy, diversity, and dynamical consistency.
• Abstract（参考訳）: 時系列予測は、特に将来のダイナミクスがマルチモーダルである場合、しばしば過度に平滑化に悩まされる。 予測は観測された未来の粗い傾向に従うかもしれないが、急激な変化、振動、旋回点、そしてプラウシブルな動的進化を定義する状態遷移を保たない。 本研究では, ある部分観察と単一実現監督の下では, 予測中に複数の可視未来モードを弱めたり, マージしたり, 平均化したりすることができる。 この観点から,複数のモード条件付き予測分布を明示的にモデル化し,選択確率に対する不確実性を示すモード保存予測フレームワークであるDirichlet-Guided Group Forecasting (DGF)を提案する。 DGFはディリクレ誘導の階層的なサンプリング機構と報酬に基づく最適化を使用して、正確で、動的に一貫性があり、モード固有の予測を促進する。 実世界の予測ベンチマークに関する大規模な実験は、DGFが予測精度、多様性、動的整合性を改善しながら、過度なスムース化を減少させることを示している。

関連論文リスト

• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Embracing Heteroscedasticity for Probabilistic Time Series Forecasting [22.43559255963294]
  Location-Scale Gaussian VAE (LSG-VAE) は、予測平均と時間依存分散の両方を明示的にパラメータ化する、単純だが効果的なフレームワークである。 LSG-VAEは、リアルタイムデプロイメントに適した高い計算効率を維持しながら、15の強力な生成ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-25T12:48:50Z)
• 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)
• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• ScenGAN: Attention-Intensive Generative Model for Uncertainty-Aware Renewable Scenario Forecasting [11.600987173982107]
  本稿では,再生可能エネルギーとディープラーニングの領域における不確実性について考察する。 不確実性認識モデルは、再生可能シナリオ予測のために慎重に設計されている。 処理層における気象情報、予報、歴史的軌跡の統合により、相乗的予測能力が向上する。
  論文  参考訳（メタデータ） (2025-09-21T15:18:51Z)
• Probabilistic QoS Metric Forecasting in Delay-Tolerant Networks Using Conditional Diffusion Models on Latent Dynamics [8.07759586745722]
  DTNの保守と運用に一般的に使用されるアクティブメトリック予測は、レイテンシ、スループット、エネルギー消費、信頼性に関するネットワーク性能を向上させることができる。 時系列予測における従来の平均回帰法は、データの複雑さを適切に把握できないため、ルーティングなどのDTNの運用タスクでは、性能が低下する。 本稿では、DTNにおけるメトリクスの予測を多変量時系列上の確率予測問題として定式化し、これらのサンプルの分布を特徴付けることによって予測の不確かさを定量化することができる。
  論文  参考訳（メタデータ） (2025-04-09T15:40:02Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)

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。