論文の概要: Self-Adaptive Scale Handling for Forecasting Time Series with Scale Heterogeneity

• arxiv url: http://arxiv.org/abs/2606.20010v1
• Date: Thu, 18 Jun 2026 09:44:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.775925
• Title: Self-Adaptive Scale Handling for Forecasting Time Series with Scale Heterogeneity
• Title（参考訳）: 大規模不均一な時系列予測のための自己適応型スケールハンドリング
• Authors: Xu Zhang, Zhengang Huang, Yunzhi Wu, Xun Lu, Erpeng Qi, Yunkai Chen, Zhongya Xue, Peng Wang, Wei Wang,
• Abstract要約: 自己適応型スケールハンドリング(AS)モジュールは、各入力に合わせて調整された適応型スケールファクタを学習する。 Asは人気のあるTSFモデルにシームレスに統合され、継続的にパフォーマンスを改善します。
• 参考スコア（独自算出の注目度）: 9.93833018390445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current time series forecasting (TSF) research predominantly focuses on scale-homogeneous data, where different time series share similar numerical magnitude ranges. However, in real-world industrial scenarios such as financial product sales, different time series often differ by orders of magnitude (scale heterogeneity). Since these series share similar temporal patterns, joint modeling is desirable for better data utilization, yet existing scaling methods either compress low-scale signals (global normalization) or destroy semantic discriminability and amplify inverse-scaling errors (window-based scaling). This paper proposes a self-Adaptive Scale-handling (AS) module that learns adaptive scale factors tailored to each input, preserving semantic discriminability while reducing inverse-scaling errors. AS consists of Scale Calibrating (SC), which calibrates prior mean scaling factors through neural networks, and Scaling Selection (SS), which decides whether to apply calibration or retain the original factor, avoiding over-calibration. Experiments on real-world fund sales datasets from Ant Fortune and Alipay show that AS seamlessly integrates into popular TSF models and consistently improves their performance. The code and dataset are available at the link https://github.com/Meteor-Stars/ASTSF.
• Abstract（参考訳）: 現在の時系列予測(TSF)の研究は主に、異なる時系列が同様の数値範囲を共有するスケール均質なデータに焦点を当てている。 しかし、金融商品販売のような現実の産業シナリオでは、異なる時系列は桁違い(スケールの不均一性)が異なることが多い。 これらのシリーズは、同様の時間的パターンを共有するため、データ利用を改善するためにジョイントモデリングが望ましいが、既存のスケーリング手法は、低スケールの信号(グローバルな正規化)を圧縮するか、意味的識別性を破壊するか、逆スケーリングエラーを増幅する(ウィンドウベースのスケーリング)。 本稿では,各入力に適合する適応スケール因子を学習し,逆スケーリング誤差を低減しつつ意味的識別性を保った自己適応スケールハンドリング(AS)モジュールを提案する。 ASは、ニューラルネットワークを通じて平均スケーリングファクタをキャリブレーションするスケールキャリブレーション(SC)と、キャリブレーションを適用するか、元のファクタを保持するかを決定するスケールセレクション(SS)で構成され、オーバーキャリブレーションを回避する。 Ant Fortune氏とAlipay氏による実際のファンドのセールスデータセットの実験によると、ASは人気のあるTSFモデルにシームレスに統合し、パフォーマンスを継続的に改善している。 コードとデータセットは、https://github.com/Meteor-Stars/ASTSF.comリンクで入手できる。

関連論文リスト

• How Different from the Past? Spatio-Temporal Time Series Forecasting with Self-Supervised Deviation Learning [15.102926671713668]
  時空間連続時間予測フレームワークST-SSDLを提案する。 典型的な時間パターンを表す学習可能なプロトタイプを用いて潜在空間を識別する。 実験によると、ST-SSDLは複数のメトリクスで常に最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-06T15:21:13Z)
• ATTS: Asynchronous Test-Time Scaling via Conformal Prediction [112.54016379556073]
  大規模な言語モデル(LLM)は、テスト時のスケーリングの恩恵を受けるが、しばしば高い推論遅延によって妨げられる。 統計的に保証された適応スケーリングフレームワークであるATTS(Asynchronous Test-Time Scaling)を紹介する。 ATTSは、テストタイムのスケーリングにおいて最大56.7倍のスピードアップと4.14倍のスループット向上を実現している。
  論文  参考訳（メタデータ） (2025-09-18T16:55:09Z)
• BayesTTA: Continual-Temporal Test-Time Adaptation for Vision-Language Models via Gaussian Discriminant Analysis [41.09181390655176]
  CLIPのような視覚言語モデル(VLM)は、強いゼロショット認識を実現するが、実世界のシナリオに共通する時空間的な分散シフトの下で大幅に劣化する。 テスト分布が時間とともに徐々に変化するCT-TTA(textitContinal-Temporal Test-Time Adaptation)として、この実践的問題を定式化する。 我々は、時間的に一貫した予測を実行し、視覚表現を動的に調整する、ベイズ適応フレームワークであるtextitBayesTTAを提案する。
  論文  参考訳（メタデータ） (2025-07-11T14:02:54Z)
• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• Scale-Invariant Learning-to-Rank [0.0]
  Expediaでは、学習からランクまでのモデルが、ユーザがより関連性のある情報をソートし提示する上で重要な役割を担っている。 これらのモデルをデプロイする上で大きな課題は、トレーニングと運用データ間の一貫した機能スケーリングを保証することだ。 本稿では,学習時間と予測時間の両方でモデル内のスケール不変性を数学的に保証するために,ディープニューラルネットワークとワイドニューラルネットワークを組み合わせたスケール不変LTRフレームワークを提案する。 我々は、予測時にテストセットを摂動させることにより、実世界のシナリオをシミュレーションして評価し、一貫性のないトレインテストのスケーリングであっても、フレームワークを使用した場合よりも優れたパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2024-10-02T19:05:12Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
  時系列データは、その固有の長短の依存関係によって特徴づけられる。 本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。 我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-04-12T13:41:29Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)

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。