論文の概要: Spectral Retrieval-Augmented Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.19412v1
• Date: Wed, 17 Jun 2026 15:42:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.454176
• Title: Spectral Retrieval-Augmented Time-Series Forecasting
• Title（参考訳）: スペクトル検索による時系列予測
• Authors: Huu Hiep Nguyen, Minh Hoang Nguyen, Dung Nguyen, Hung Le,
• Abstract要約: 時系列予測は、過去のパターンを活用して将来の価値を予測するが、従来の手法は複雑な非定常パターンを扱う際に課題に直面している。 検索の強化されたアプローチは、予測を強化するために同様の歴史的パターンを取得することによって、有望な解決策として現れてきた。 時系列をウィンドウ化された周波数表現に変換する新しい検索手法であるSpecReTFを提案する。
• 参考スコア（独自算出の注目度）: 7.885089945243776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting leverages historical patterns to predict future values, but traditional methods face challenges when dealing with complex, non-stationary patterns that are difficult to memorize during training. Retrieval-augmented approaches have emerged as promising solutions by retrieving similar historical patterns to enhance predictions. However, existing retrieval methods suffer from two fundamental limitations: spectral blindness, which overlooks critical frequency-domain characteristics that capture underlying periodic structures, and temporal recency, which treats all historical data equally without emphasizing recent, more relevant patterns. In this paper, we propose SpecReTF, a novel retrieval method that addresses these issues by converting time series into windowed frequency representations, measuring similarity with a combined metric that captures both amplitude and phase information. To balance recency and historical context, we apply an exponential moving average weighting scheme that emphasizes recent windows. Extensive experiments on benchmark datasets demonstrate that SpecReTF outperforms time-domain retrieval methods, achieving superior forecasting accuracy across diverse, non-stationary time series.
• Abstract（参考訳）: 時系列予測は、過去のパターンを活用して将来の価値を予測するが、従来の手法は、トレーニング中に覚えがたい複雑な非定常的なパターンを扱う際に、課題に直面している。 検索の強化されたアプローチは、予測を強化するために同様の歴史的パターンを取得することによって、有望な解決策として現れてきた。 しかし、既存の検索手法には、根底にある周期構造を捉える重要な周波数領域特性を無視するスペクトル盲点と、最近のより関連性の高いパターンを強調せずにすべての歴史的データを等しく扱う時間的回帰という2つの基本的な限界がある。 本稿では,これらの問題に対処する新しい検索手法であるSpecReTFを提案する。 そこで我々は,近年の窓に重点を置く指数移動平均重み付け方式を適用した。 ベンチマークデータセットの大規模な実験により、SpecReTFは時間領域検索法よりも優れており、多様な非定常時系列の予測精度が優れていることが示された。

関連論文リスト

• Semantics-Enhanced Retrieval-Augmented Time Series Forecasting [5.059121667323038]
  時系列予測モデルは、しばしば歴史的パターンの恩恵を受ける。 最近の研究は、予測を強化するために、関連する時系列セグメントを検索することを検討した。 textbfSemantics-textbfEnhanced textbfRetrieval-textbfAugmented Time Series textbfForecasting framework, SERAF。
  論文  参考訳（メタデータ） (2026-06-12T20:32:10Z)
• Stationarity-Aware Retrieval-Augmented Time Series Forecasting [5.059121667323038]
  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。
  論文  参考訳（メタデータ） (2026-06-02T18:47:16Z)
• 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)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• 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)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Split Time Series into Patches: Rethinking Long-term Series Forecasting with Dateformer [17.454822366228335]
  時間は時系列の最も重要な特徴の1つだが、あまり注目されていない。 本稿では、上記のプラクティスに従うのではなく、モデリング時間に注意を向けるDateformerを提案する。 ディザフォーマーは、40%の顕著な相対的な改善で最先端の精度を達成し、最大信頼性予測範囲を半年レベルに拡大する。
  論文  参考訳（メタデータ） (2022-07-12T08:58:44Z)
• Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization [0.0]
  複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。 本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-15T11:39:21Z)

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。