論文の概要: One Step Closer to Ground Truth: A Multi-Scale Residual-Aware Representation Learning Pipeline for Predicting Time Series Data

• arxiv url: http://arxiv.org/abs/2606.10678v2
• Date: Wed, 10 Jun 2026 22:31:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 13:39:59.585273
• Title: One Step Closer to Ground Truth: A Multi-Scale Residual-Aware Representation Learning Pipeline for Predicting Time Series Data
• Title（参考訳）: 地中真実への一歩近づいた - 時系列データ予測のためのマルチスケール残留認識表現学習パイプライン
• Authors: Amrijit Biswas, Mustafa Kamal, Robin Krambroeckers, M. M. Lutfe Elahi, Sifat Momen, Nabeel Mohammed, Shafin Rahman,
• Abstract要約: 本稿では,予測と残差学習を表現学習の異なる段階に明確に分離する2段階のモデル非依存フレームワークを提案する。 このパイプラインを仮説空間拡張として定式化することにより、我々のフレームワークは単一ステージアーキテクチャに固有の近似制限に対処する。
• 参考スコア（独自算出の注目度）: 6.704099492625706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transformer-based models have emerged as leading paradigms in time-series forecasting in recent years, employing self-attention mechanisms to capture long-range dependencies. Despite their success, these single-stage forecasting architectures exhibit persistent systematic residual biases arising from structural discrepancies, unmodeled stochastic components, or inadequate multi-scale temporal representations. This limitation persists when residuals are treated as irreducible noise, precluding adaptive correction of structured error patterns. To address this limitation, we introduce a two-stage, model-agnostic framework that explicitly decouples forecasting and residual learning into distinct stages of representation learning. A base transformer first generates the initial predictions. Subsequently, a dedicated meta-corrector dynamically models structured error patterns across multivariate channels, preserves cross-variable dependencies, and iteratively refines the residual bias of the base transformer. By formalizing this pipeline as a hypothesis space expansion, our framework addresses approximation limitations inherent in single-stage architectures, removes reliance on restrictive assumptions, and enables end-to-end learning of complex error dynamics. Evaluated on eight popular benchmark datasets using established protocols, our approach achieves state-of-the-art performance, with significant improvements in standard metrics (MSE, MAE). The results demonstrate the framework's ability to mitigate systematic biases and enhance robustness to complex temporal dynamics, advancing the practical applicability of transformer-based forecasting models.
• Abstract（参考訳）: トランスフォーマーベースのモデルは、近年の時系列予測において主要なパラダイムとして現れており、長距離依存関係をキャプチャするために自己注意機構を使用している。 その成功にもかかわらず、これらの単一ステージ予測アーキテクチャは、構造的相違、未モデル化の確率的成分、あるいはマルチスケールの時間的表現の不適切なことから生じる永続的な系統的残留バイアスを示す。 この制限は、残差が既約ノイズとして扱われ、構造化誤りパターンの適応的な補正を前もって継続する。 この制限に対処するために、予測と残差学習を表現学習の異なる段階に明確に分離する2段階のモデル非依存フレームワークを導入する。 ベーストランスは、まず、初期予測を生成する。 その後、専用のメタコレクタが多変量チャネルにまたがる構造的エラーパターンを動的にモデル化し、相互依存を保ち、ベーストランスの残差を反復的に洗練する。 このパイプラインを仮説空間拡張として形式化することにより、我々のフレームワークは、単一ステージアーキテクチャ固有の近似制限に対処し、制約的な仮定への依存を排除し、複雑なエラーダイナミクスのエンドツーエンド学習を可能にする。 確立されたプロトコルを用いて,8つの一般的なベンチマークデータセットから評価し,標準メトリクス(MSE,MAE)を大幅に改善し,最先端のパフォーマンスを実現する。 その結果、このフレームワークは、体系的バイアスを緩和し、複雑な時間的ダイナミクスに対する堅牢性を向上し、トランスフォーマーベースの予測モデルの実用的な適用性を向上させることができることを示した。

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)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• End-to-End Identifiable and Consistent Recurrent Switching Dynamical Systems [14.97727869750315]
  本稿では,予測最大化を用いた精度の正確な最適化を可能にするフローベース推定器である$SDSを紹介する。 以上の結果から,VAEに基づく推定値と,基礎となるダイナミクスのより正確な予測値と比較すると,$SDS は分散性の向上を達成できることが示された。
  論文  参考訳（メタデータ） (2026-05-07T14:14:39Z)
• Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting [1.5939955861266883]
  本稿では,介入主義的,厳密な統計的ベンチマークへのパラダイムシフトを提案する。 我々は,ブラックボックスシーケンスマッチングゲームから正確な分布推定タスクに予測を変換する。 我々は、最先端のゼロショットモデルがコンテキストパロッキング機構と一貫して振る舞うことを発見した。
  論文  参考訳（メタデータ） (2026-03-23T17:14:11Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Probabilistic Traffic Forecasting with Dynamic Regression [15.31488551912888]
  本稿では,交通予測における誤り過程の学習を取り入れた動的回帰(DR)フレームワークを提案する。 このフレームワークは、行列構造自己回帰(AR)モデルを用いてベースモデルのエラー系列をモデル化することにより、時間独立の仮定を緩和する。 新たに設計された損失関数は、非等方的誤差項の確率に基づいており、モデルがベースモデルの元の出力を保持しながら確率的予測を生成することができる。
  論文  参考訳（メタデータ） (2023-01-17T01:12:44Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。