論文の概要: The Spectrum Is Not Enough: When Context Helps Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2607.13006v2
• Date: Wed, 15 Jul 2026 15:43:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 12:21:59.670917
• Title: The Spectrum Is Not Enough: When Context Helps Time-Series Forecasting
• Title（参考訳）: スペクトルは十分ではない:Contextが時系列の予測を助ける
• Authors: Mert Onur Cakiroglu, Mehmet Dalkilic, Hasan Kurban,
• Abstract要約: 指数の増大は、そのスペクトルから級数がどれだけ予測可能であるかを示す。 文脈の値は操作点の特性であり、連続ではない。 我々はこれを不可能と表現し、スペクトルと限界を構成によって固定する代理対で分離する。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A growing family of indices scores how predictable a series is from its spectrum. Practitioners increasingly read these scores as answering a different question: whether \emph{adding context}, a longer lookback, a retrieval plug-in, or a pretrained model, will help. These are not the same question. The value of context is a property of the operating point, not of the series. Any index built from the power spectrum is invariant under phase randomization, whereas the beyond-second-order value that retrieval and foundation models supply is not, because a phase-randomized series is asymptotically Gaussian. We state this as an impossibility result and isolate it with surrogate pairs that fix the spectrum and the marginal by construction. We then give a label-free, configuration-level diagnostic, the coverage deficit, whose principal term measures beyond-spectrum structure as the gain of analog over linear prediction. On seven benchmarks the prediction holds: window-keyed retrieval's value collapses across surrogate pairs (ECL median $+33\%\!\to\!-35\%$, $p{<}10^{-40}$) while every spectral index stays frozen; a foundation model's value splits into a surviving second-order part and a small beyond-linear margin that collapses; a longer linear window's value survives. Leave-one-dataset-out, the structure term predicts the sign of beyond-spectrum value where the spectral indices trail it, and the reverse holds for the second-order mechanism. We introduce no new forecaster; the contribution is the distinction, a controlled comparison, and a diagnostic for the deployment decision. Code: https://github.com/KurbanIntelligenceLab/SINE
• Abstract（参考訳）: 指数の増大は、そのスペクトルから級数がどれだけ予測可能であるかを示す。 実践者はこれらのスコアを,‘emph{adding context}’,もっと長い見返り,検索プラグイン,事前訓練済みのモデルなど,別の疑問に答えるものとして読むようになっている。 これらは同じ質問ではありません。 文脈の値は操作点の特性であり、連続ではない。 パワースペクトルから構築された任意の指数は位相ランダム化の下で不変であるが、位相ランダム化級数は漸近的にガウス的であるため、検索と基礎モデルが供給する2次を超える値はそうではない。 我々はこれを不可能な結果として表現し、構成によってスペクトルと限界を固定するサロゲートペアで分離する。 次に、ラベルのない構成レベルの診断、すなわちカバレッジ欠陥を与え、その主な用語は、線形予測よりもアナログの利得としてスペクトル外構造を測る。 ウィンドウキー検索の値は、サロゲートペア間で崩壊する(ECLの中央値$+33\%\! やれ! -35\%$, $p{<}10^{-40}$) しかし、全てのスペクトル指数は凍結されている;基礎モデルの値は、生き残った2階部分と、崩壊する小さな線外マージンに分裂し、長い線形ウィンドウの値が残る。 構造項は、スペクトル指標が後続するスペクトル値の符号を予測し、逆は2階機構を保持する。 我々は、新しい予測器を導入せず、その貢献は、区別、制御された比較、およびデプロイメント決定のための診断である。 コード:https://github.com/KurbanIntelligenceLab/SINE

関連論文リスト

• Bandit Convex Optimization with Gradient Prediction Adaptivity [56.816177049016794]
  本研究では, 楽観的な勾配予測が, 最悪の後悔の保証を予測順応的に改善できるかどうかを考察する。 鍵となるアイデアは、分散が勾配ノルムではなく予測誤差でスケールする、新しい分散還元勾配推定器である。 我々は、$(sqrtmathbbE[S_T])$としてスケールする情報理論の下限を確立し、最も達成可能な予測適応的後悔の基本的な特徴を提供する。
  論文  参考訳（メタデータ） (2026-05-21T08:57:38Z)
• Predictive Maps of Multi-Agent Reasoning: A Successor-Representation Spectrum for LLM Communication Topologies [0.0]
  既存の評価は、これらの質問に答えるのは、ポストホックと測定されたタスクのみである。 本稿では,M = (I - P)-1$の行確率的通信演算子の後継表現に基づくマルチエージェントLLM通信グラフの構造診断を提案する。 鎖,星,メッシュの閉形スペクトルを行確率正規化法で導出し,12ステップ構成された状態追跡タスクの予測を検証した。
  論文  参考訳（メタデータ） (2026-05-12T03:11:39Z)
• The Extrapolation Cliff in On-Policy Distillation of Near-Deterministic Structured Outputs [52.709361620508595]
  ListOPDは、パラメータの5分の1で8B-SFTベースラインで、学生をドメイン内に持ち込む。 Amazon Fashionでは、3つの事前登録テスト — 細粒度崖間隔テスト、小さなクリップのクロス予測 — がロックされた予測ウィンドウ内に落下し、グリッド解像度以下のクローズドフォーム予測に一致する小さなクリップ値が設定されている。
  論文  参考訳（メタデータ） (2026-05-09T06:48:00Z)
• Sharp Capacity Thresholds in Linear Associative Memory: From Winner-Take-All to Listwise Retrieval [59.859592671274704]
  $dtimes d$ リニアメモリストアはいくつのキー値アソシエーションが可能ですか? この答えは、メモリマトリックスの$d2$自由度だけでなく、検索基準にも依存する。
  論文  参考訳（メタデータ） (2026-05-06T17:53:20Z)
• Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
  自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。 任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。 本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-19T17:21:15Z)
• Nearly Optimal Bayesian Inference for Structural Missingness [23.988531482641307]
  ベイズ的な見方では、後続の予測分布による予測は、完全なモデル後続の不確実性の上に統合される。 このフレームワークは、(II)ラベル予測からモデル内の欠損値後部を学習し、予測後部分布を最適化する。 43の分類と15の計算ベンチマークでSOTAを達成し、ベイズ最適性保証の近くに有限サンプルを持つ。
  論文  参考訳（メタデータ） (2026-01-26T14:03:11Z)
• Power spectra and auto-covariances of level spacings beyond the Dyson conjecture [1.471992435706872]
  F. Dyson は、無限次元のランダム行列の展開スペクトルにおける遠方の固有レベルの自動共分散は、パワー-ロー崩壊を示すであろうと推測した。 我々は、レベル間隔の自己共分散とパワースペクトルの正確なリンクを確立し、それが5番目のPainlevの超越項の表現を許容していることを示す。
  論文  参考訳（メタデータ） (2023-01-23T14:03:07Z)
• Optimal and instance-dependent guarantees for Markovian linear stochastic approximation [47.912511426974376]
  標準スキームの最後の繰り返しの2乗誤差に対して、$t_mathrmmix tfracdn$の非漸近境界を示す。 マルコフ雑音による政策評価について,これらの結果のまとめを導出する。
  論文  参考訳（メタデータ） (2021-12-23T18:47:50Z)
• Preventing Posterior Collapse with Levenshtein Variational Autoencoder [61.30283661804425]
  我々は,エビデンス・ロー・バウンド(ELBO)を最適化し,後部崩壊を防止できる新しい目的に置き換えることを提案する。 本稿では,Levenstein VAEが後方崩壊防止のための代替手法よりも,より情報的な潜伏表現を生成することを示す。
  論文  参考訳（メタデータ） (2020-04-30T13:27:26Z)

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。