論文の概要: Exogenous Dropout: A Simple, Strong Baseline for Corruption-Robust Time Series Forecasting with Covariates
- arxiv url: http://arxiv.org/abs/2607.05452v1
- Date: Sun, 05 Jul 2026 15:59:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.264934
- Title: Exogenous Dropout: A Simple, Strong Baseline for Corruption-Robust Time Series Forecasting with Covariates
- Title（参考訳）: Exogenous Dropout: Covariates による破壊・破壊時系列予測のためのシンプルで強力なベースライン
- Abstract要約: 堅牢性には特殊なアーキテクチャが必要か,あるいは簡単なトレーニング介入によって実現可能であるかを検討する。
電力価格予測,貯水池水理,気象学の分野では,ガウス雑音下でのロバスト性を大幅に改善する。
これは我々の実験でもっとも堅牢なモデルとなり、故意に強い束縛されたアーキテクチャ・ホイルを上回ります。
- 参考スコア（独自算出の注目度）: 2.6904447021876297
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series forecasters that use exogenous covariates are fragile in deployment: when those covariates are noised, temporally misaligned, or missing, strong exogenous-fusion and exogenous-adapted models can degrade far above the endogenous-only floor. We study whether such robustness requires specialized architectures, or whether it can be obtained through a simple training intervention. We propose exogenous dropout, a model-agnostic method that randomly zeros whole exogenous channels during training. Across electricity-price forecasting, reservoir hydrology, and meteorology, exogenous dropout substantially improves robustness under Gaussian noise, temporal misalignment, and fully missing channels, while preserving clean accuracy. Applied to a dual-correlation network, it yields the most robust model in our experiments, outperforming a deliberately strong bounded architectural foil, BoundEx, which combines a learnable gate, a fallback residual to the endogenous backbone, and per-channel exogenous FiLM modulation. Architecture-by-dropout ablations, gate-behavior diagnostics, and a representation-level bound show that explicit architectural boundedness is not necessary for this robustness: an unbounded model trained with exogenous dropout is more robust than the bounded model in every domain. We release a corruption-robustness benchmark and recommend exogenous dropout as a simple, strong baseline for future work on time series forecasting with covariates.
- Abstract（参考訳）: 外因性共変体を使用する時系列予測器は、展開において脆弱である:これらの共変体がノイズを受けたり、時間的に不一致であったり、欠けていたりすると、強い外因性融合と外因性適応モデルが内因性のみのフロアよりもはるかに高く劣化する。
このような堅牢性には特別なアーキテクチャが必要か,あるいは簡単なトレーニング介入によって実現可能であるかを検討する。
本研究では,トレーニング中に外因性チャネル全体をランダムにゼロにするモデル非依存の手法である外因性ドロップアウトを提案する。
電気価格予測、貯水池水文学、気象学の分野では、外因性降下はガウスノイズ、時間的ずれ、完全に欠落した流路の下での堅牢性を大幅に改善し、清潔な精度を維持している。
二重相関ネットワークに適用すると,本実験において最も頑健なモデルが得られ,学習可能なゲート,内因性バックボーンへのフォールバック残差,およびチャネル内外因性FiLM変調を組み合わせた,意図的に強い境界を持つアーキテクチャホイルであるBoundExよりも優れる。
アーキテクチャ・バイ・ドロップアウトの廃止、ゲート・ビヘイビアの診断、表現レベルの境界は、この堅牢性には明示的なアーキテクチャ上の境界性は必要ないことを示している。
我々は、汚損評価ベンチマークを公開し、共変量を用いた時系列予測に関する今後の研究のための、単純で強力なベースラインとして、外因性ドロップアウトを推奨する。
関連論文リスト
- RainODE: Continuous-Time Precipitation Forecasting with Latent Neural ODEs [31.6943694848236]
RainODEは、Neural ODEを使用して潜在空間の降水進化をモデル化するフレームワークである。
この定式化により、微分整合時間力学が実現され、降水系の大規模対流運動が支配的となる。
ブラウン橋に基づく震源モデリングモジュールは、微細な構造を保ちながら残留強度の変動を復元する。
論文 参考訳（メタデータ） (2026-06-29T06:48:02Z) - On the Redundancy of Timestep Embeddings in Diffusion Models [3.0458514384586404]
拡散モデルは、様々なノイズスケールにわたる除音過程を変調するために、明示的な時間ステップの埋め込みに大きく依存する。
本研究では, ある条件下では, 時間経過条件を明示することなく, 拡散訓練対象のグローバル最小化を実現することができることを示す理論的枠組みを提案する。
分析の結果、これらのアーキテクチャは、特定の仮定の下で破損した入力から暗黙的にノイズスケールを推測し、明示的な時間的条件付けを冗長にすることができることが示唆された。
論文 参考訳（メタデータ） (2026-06-18T16:01:39Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing [4.62541204592513]
本稿では,エラー関連自己回帰予測の時間的制限を克服する構造的不確実性モジュールであるTegerを紹介する。
Tegerはバックボーンに依存しないため、自己回帰エンコーダによって生成される潜伏状態のみを必要とする。
論文 参考訳（メタデータ） (2026-05-18T08:51:33Z) - 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) - DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。
我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。
この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
論文 参考訳（メタデータ） (2026-04-08T07:01:24Z) - WADEPre: A Wavelet-based Decomposition Model for Extreme Precipitation Nowcasting with Multi-Scale Learning [10.39382090254482]
WADEPre はウェーブレットに基づく極度の降水に対する分解モデルであり、モデリングをウェーブレット領域に遷移させる。
SEVIRとShanghai Radarデータセットの実験は、WADEPreが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-02-02T13:40:57Z) - From Snow to Rain: Evaluating Robustness, Calibration, and Complexity of Model-Based Robust Training [5.284812806199192]
本研究では,学習したニュアンス変動モデルを利用して現実的な汚職を発生させるモデルに基づく学習手法のファミリーについて検討する。
未知空間におけるランダムなカバレッジと逆方向の洗練を組み合わせた新しいハイブリッド戦略について検討した。
論文 参考訳（メタデータ） (2026-01-14T04:49:44Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。
RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。
自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
論文 参考訳（メタデータ） (2025-05-19T17:21:03Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z)
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。