Fugu-MT 論文翻訳(概要): Multivariate Time Series Forecasting needs Cross Variable Loss

論文の概要: Multivariate Time Series Forecasting needs Cross Variable Loss

arxiv url: http://arxiv.org/abs/2608.05742v1
Date: Thu, 06 Aug 2026 08:22:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-07 17:43:06.72938
Title: Multivariate Time Series Forecasting needs Cross Variable Loss
Title（参考訳）: 多変量時系列予測は多変量損失を必要とする
Abstract要約: クロス変数グラフ上の予測残差を制約するプラグイン構造正規化器を提案する。 CvLossは、予測パッチに対するエッジワイド残差の矛盾をペナルティ化し、同期と非同期の両方のインタラクションの一貫性を奨励する。実験の結果、CvLossは競争予測モデルの改善を一貫して行い、代表的学習目標を上回り、様々な予測バックボーンと互換性があることが判明した。
参考スコア（独自算出の注目度）: 11.325603740473376
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multivariate time series forecasting presents unique challenges because future variables often co-evolve under shared system dynamics. While existing studies mainly focus on cross-variable dependencies in historical observations, dependencies among future values are much less explored. Specifically, modern forecasting models largely follow the Direct Forecasting (DF) paradigm, generating multi-step forecasts with point-wise objectives that do not explicitly constrain cross-variable structure. In this work, we show that the DF objective is mismatched in the presence of cross-variable and lagged dependencies, revealing an objective gap. To address this issue, we propose \textbf{C}ross-\textbf{V}ariable \textbf{Loss} (CvLoss), a plug-in structural regularizer that constrains forecast residuals on a cross-variable graph. CvLoss penalizes inconsistent edge-wise residual differences over forecast patches, encouraging consistency across both synchronous and asynchronous interactions. Our experiments show that CvLoss consistently improves competitive forecasting models, outperforms representative learning objectives, and is compatible with a variety of forecasting backbones.
Abstract（参考訳）: 多変量時系列予測は、将来の変数が共有システム力学の下で共進化することが多いため、ユニークな課題を示す。既存の研究では、主に歴史的観測における異種依存関係に焦点を当てているが、将来の値間の依存関係については、あまり調査されていない。具体的には、現代の予測モデルは直接予測(DF)パラダイムに大きく従い、多段階の予測を生成する。本研究は,DFの目的が相互変数およびラタグ依存関係の存在下で不一致であることを示し,目的ギャップを明らかにした。この問題を解決するために、クロス変数グラフ上の予測残差を制限するプラグイン構造正規化器である \textbf{C}ross-\textbf{V}ariable \textbf{Loss} (CvLoss) を提案する。 CvLossは、予測パッチに対するエッジワイド残差の矛盾をペナルティ化し、同期と非同期の両方のインタラクションの一貫性を奨励する。実験の結果、CvLossは競争予測モデルの改善を一貫して行い、代表的学習目標を上回り、様々な予測バックボーンと互換性があることが判明した。

関連論文リスト

TFGformer: Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate Fusion [12.980172248250257]
本稿では,形状認識メモリ(SAM)とRevIN正規化を統合した検索拡張予測フレームワークを提案する。 7つの公開ベンチマークの実験では、CrossRAGはパラメトリックのみのベースラインと既存の検索拡張予測手法の両方を一貫して上回っている。
論文参考訳（メタデータ） (2026-07-31T14:24:26Z)
Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-24T07:31:55Z)
TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。これは最先端の可逆正規化法より優れている。
論文参考訳（メタデータ） (2026-03-18T07:21:24Z)
CITRAS: Covariate-Informed Transformer for Time Series Forecasting [0.49157446832511503]
本稿では,複数ターゲット,過去の共変量,将来の共変量などを柔軟に活用するデコーダのみの変換器CITRASを提案する。実世界の13のベンチマークにおいてCITRASが最先端のモデルより優れていることを示す。
論文参考訳（メタデータ） (2025-03-31T12:32:23Z)
Is Precise Recovery Necessary? A Task-Oriented Imputation Approach for Time Series Forecasting on Variable Subset [27.180618587832463]
時系列予測のための可変サブセット予測のためのタスク指向インプット(TOI-VSF)を提案する。 TOI-VSFは、不足変数を補うように設計された予測モデルに依存しない自己教師型計算モジュールを組み込んでいる。 4つのデータセットにわたる大規模な実験は、TOI-VSFの優位性を示し、ベースラインメソッドを平均15%以上上回っている。
論文参考訳（メタデータ） (2024-11-15T04:00:54Z)
TimeBridge: Non-Stationarity Matters for Long-term Time Series Forecasting [49.6208017412376]
TimeBridgeは、非定常性と依存性モデリングの間のギャップを埋めるために設計された新しいフレームワークである。 TimeBridgeは、短期予測と長期予測の両方において、最先端のパフォーマンスを一貫して達成する。
論文参考訳（メタデータ） (2024-10-06T10:41:03Z)
Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文参考訳（メタデータ） (2024-07-02T20:14:32Z)
Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [21.361823581838355]
実世界の時系列はしばしば、一様間隔や不整合変数を含む時間的不規則に悩まされる。本稿では,変数の連立分布を任意の連続点で捉えながら,時間的不規則性をモデル化するエンドツーエンドフレームワークを提案する。
論文参考訳（メタデータ） (2023-06-15T14:08:48Z)
Cross-LKTCN: Modern Convolution Utilizing Cross-Variable Dependency for Multivariate Time Series Forecasting Dependency for Multivariate Time Series Forecasting [9.433527676880903]
正確な予測結果の鍵となるのは、各タイムステップ間の長期的な依存関係をキャプチャすることだ。最近の手法は主にクロスタイムの依存性に焦点を当てているが、クロス変数の依存性を考慮することはめったにない。我々は、クロス時間とクロス変数の依存関係をよりよく活用するために、現代的な純粋な畳み込み構造、すなわちクロス-LKTCNを提案する。
論文参考訳（メタデータ） (2023-06-04T10:50:52Z)
The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
論文参考訳（メタデータ） (2023-04-11T13:15:33Z)
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。