論文の概要: Existence Precedes Value: Joint Modeling of Observational Existence and Evolving States in Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.13571v1
• Date: Thu, 11 Jun 2026 16:59:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.932824
• Title: Existence Precedes Value: Joint Modeling of Observational Existence and Evolving States in Time Series Forecasting
• Title（参考訳）: 存在価値:時系列予測における観測存在と進化状態の連成モデリング
• Abstract要約: 実世界の時系列は、しばしばセンサーの休眠、送信遅延、イベント駆動サンプリングのために、非常に不完全で不規則である。 タイムフライ(Timeflies)は、将来の観測可能性推定と価値推定の連立問題として予測を再構築する統合されたフレームワークである。
• 参考スコア（独自算出の注目度）: 15.993594186846826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world time series are often highly incomplete and irregular due to sensor dormancy, transmission delays, and event-driven sampling, making reliable forecasting fundamentally challenging. Existing methods have evolved from impute-then-forecast pipelines to continuous-time models such as Neural ODEs and continuous-time graph networks. While these approaches improve the modeling of historical irregularity, they still rely on an implicit oracle assumption at inference time: the timestamps of future valid observations are presumed to be known in advance. This assumption limits practical relevance, since in many real systems the more fundamental question is not only what the future value will be, but also whether a valid observation will occur at all. In this paper, we propose Timeflies, a unified framework that reformulates forecasting as a joint problem of future observability inference and value estimation. To explicitly model the interaction between observation dynamics and state evolution, Timeflies adopts an observation stream and a value stream, coupled through three dedicated modules for reliability-aware embedding, observation-guided dependency modeling, and joint prediction. We further construct Shadow, a benchmark that combines natural missingness from public datasets with real-world industrial data, and introduce the Observation-Value Joint Entropy (OVJE) metric to comprehensively evaluate this coupled predictability. Extensive experiments show that Timeflies consistently outperforms existing methods, highlighting the importance of explicitly modeling future observability in time series forecasting with missing values. Code and dataset are available in https://github.com/ant-intl/Timeflies.
• Abstract（参考訳）: 実世界の時系列は、しばしばセンサーの休眠、送信遅延、イベント駆動サンプリングのために非常に不完全で不規則であり、信頼性の高い予測は基本的に困難である。 既存の手法は、暗黙の予測パイプラインからニューラルODEや連続時間グラフネットワークのような連続時間モデルへと進化してきた。 これらのアプローチは歴史的不規則性のモデリングを改善するが、それでも推論時に暗黙のオラクルの仮定に依存しており、将来の有効な観測のタイムスタンプは事前に知られていると推定されている。 なぜなら、多くの実システムにおいて、より根本的な問題は、将来の価値がどのようなものになるかだけでなく、有効な観測が全く起こるかどうかである。 本稿では,将来の観測可能性推定と値推定の連立問題として予測を再構成する統合フレームワークであるTimefliesを提案する。 観察ダイナミクスと状態進化の相互作用を明示的にモデル化するために、Timefliesは、信頼性を意識した埋め込み、観察誘導依存性モデリング、共同予測のための3つの専用のモジュールを通して、観測ストリームとバリューストリームを採用する。 さらに、公開データセットからの自然欠如と実世界の産業データを組み合わせたベンチマークであるShadowを構築し、この結合予測可能性を総合的に評価するために、観測値合同エントロピー(OVJE)メトリクスを導入する。 大規模な実験により、Timefliesは既存の手法を一貫して上回り、不足した値で予測する時系列において、将来の観測可能性を明確にモデル化することの重要性を強調している。 コードとデータセットはhttps://github.com/ant-intl/Timeflies.comで入手できる。

関連論文リスト

• Trio: Learning Time-Series Forecasting with Temporal-Spatial-Sample Attention and Structural Causal Priors [27.20677965052]
  近年のPFN(Presideed-Data Fitted Networks)は、合成タスクが伝達可能な推論動作の学習に役立つことを示唆している。 本稿では,Trioを提案する。Trioは時間-空間-サンプルの注意に基づく時系列予測アーキテクチャである。 本研究では,時間系列構造因果モデル (TS-SCM) を用いて,動的ラグ,異種間相互作用,ノイズ,フィードバック,分布ドリフトを含む構造化された合成予測タスクを生成する。
  論文  参考訳（メタデータ） (2026-06-05T14:01:58Z)
• Nested Spatio-Temporal Time Series Forecasting [37.72264188106367]
  マイクロレベルの歴史的観測と将来のマクロレベルの地域動向を結びつけるネスト予測フレームワークを提案する。 具体的には、スペクトルクラスタリングに基づく手法を用いてセマンティック・コヒーレントな領域を構築する。 我々はこれらの代表的特徴を推論プロセスに統合するプログレッシブ粗大予測器を開発した。
  論文  参考訳（メタデータ） (2026-05-15T02:06:31Z)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• 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)
• RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
  古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。 本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。 粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
  論文  参考訳（メタデータ） (2021-06-10T21:49:23Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。