論文の概要: KReF: Training-Free Retrieval for Long-Term Time-Series Forecasting and Predictive Uncertainty

• arxiv url: http://arxiv.org/abs/2608.06748v1
• Date: Fri, 07 Aug 2026 03:16:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.33611
• Title: KReF: Training-Free Retrieval for Long-Term Time-Series Forecasting and Predictive Uncertainty
• Title（参考訳）: KReF:長期的時系列予測と予測不確実性のトレーニングフリー検索
• Abstract要約: 本研究では,検索履歴をクエリローカルな経験的予測分布として扱う,学習不要な検索フレームワークを提案する。 KReFは統計や凍結したランダムなフーリエ特徴を使って各ルックバックを埋め込んで、同様の過去のルックバックとフューチャーのペアを検索する。 その類似度重みは、予測質量、量子化、CRPS、重み付き平均点予測を直接定義する。
• 参考スコア（独自算出の注目度）: 8.44268644654703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic long-term time-series forecasting commonly relies on trained models. Training-free conformal methods typically construct intervals around a pre-existing point forecaster and do not natively represent a complete predictive distribution; sequential variants additionally suffer from increasingly delayed feedback at long horizons. We propose KReF, a training-free retrieval framework that treats retrieved historical futures as a querylocal empirical predictive distribution. After robust preprocessing, KReF embeds each lookback using handcrafted statistics or frozen random Fourier features and retrieves similar historical lookback-future pairs. Their similarity weights directly define predictive masses, quantiles, CRPS, and a weighted-mean point forecast. KReF further uses the observed query lookback to construct a probability-integral-transform map and applies validation-selected expansion and shrinkage rates to adapt interval boundaries. Across six LTSF benchmarks and four horizons, KReF obtains the lowest CRPS in all 12 dataset-embedding settings and the lowest IS90 in 9 settings. Without gradient-based fitting, its point forecasts also match or surpass trained baselines on two of six datasets. An archive-oracle analysis further reveals substantial headroom under finer horizon- and channel-wise routing. These results establish retrieval as a useful and underexplored inductive bias for LTSF.
• Abstract（参考訳）: 確率的長期予測は一般に訓練されたモデルに依存している。 トレーニングフリーなコンフォメーション手法は、通常、既存の点予測器の周りに間隔を構築し、完全な予測分布をネイティブに表現しない。 我々は,検索履歴をクエリローカルな経験的予測分布として扱う,学習不要な検索フレームワークKReFを提案する。 堅牢な前処理の後、KReFは手作り統計や凍結したランダムなフーリエ特徴を使って各ルックバックを埋め込んで、同様の歴史的なルックバックとフューチャーのペアを検索する。 その類似度重みは、予測質量、量子化、CRPS、重み付き平均点予測を直接定義する。 KReFはさらに、観測されたクエリのルックバックを使用して確率積分変換マップを構築し、検証選択された拡張と縮小率を適用して間隔境界を適応する。 6つのLTSFベンチマークと4つの水平線で、KReFは12のデータセット埋め込み設定で最低のCRPS、9つの設定で最低のIS90を得る。 勾配に基づくフィッティングがなければ、ポイント予測は6つのデータセットのうち2つでトレーニングされたベースラインと一致またはオーバーする。 アーカイブ・オーラル解析により、より細い水平方向とチャネル方向のルーティングの下で、かなりのヘッドルームが明らかになる。 これらの結果は LTSF に対する有用かつ未探索な帰納バイアスとして検索が確立される。

関連論文リスト

• RATL: Learning from Retrieved Residuals for Robust Multivariate Time-Series Forecasting [5.438470957632042]
  本稿では,プラグイン残差検索およびフィードバック補正手法であるRATLを提案する。 RATLはベース予測器を凍結し、検索キーを構築し、その履歴予測残余をベースモデル固有の列車専用メモリに変換する。 実験により、過去の残余が現在の文脈と一致し、再利用可能な予測情報を含んでいることが示された。
  論文  参考訳（メタデータ） (2026-09-03T14:44:31Z)
• REER-PT: Reverse-Engineered Reasoning for Perplexity-Guided Pre-training Data Augmentation [64.84437332310516]
  我々は,Reverse-Engineered Reasoning (REER) を生の事前学習データに拡張するスケーラブルなフレームワークである textbfREER-PT を紹介する。 REER-PTは予測が難しいが、それ以前のコンテキストから推論できる継続を識別し、コンテキストと継続の間の欠落した接続を再構築する簡潔な推論アノテーションを挿入する。 このスパース変換は、ソーステキストを保存し、トレーニング前のオンライン推論ロールアウトを避けることで、標準的な次世代の予測と互換性を維持します。
  論文  参考訳（メタデータ） (2026-08-31T11:34:19Z)
• SPACE: Sample-cloud Predictive Adaptive Conformal Ellipsoids for Multivariate Time-Series Forecasting [0.42056926734482064]
  SPACEはサンプル生成型多変量予測器のための共形ラッパーである。 現在の予測サンプル雲から直接時間-局所共分散の幾何を推定することにより楕円形の関節予測領域を構築する。 達成された関節と転がりのカバーを名目上の目標に近づける。
  論文  参考訳（メタデータ） (2026-08-18T03:44:32Z)
• 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)
• Beyond Extrapolation: Knowledge Utilization Paradigm with Bidirectional Inspiration for Time Series Forecasting [81.44658512649633]
  KUP-BIは、エンファントレインのみの歴史図書館から継続スタイルの知識を抽出する新しい時系列モデリングパラダイムである。 最新モデルの予測性能を継続的に改善し、オーバーヘッドを小さくする。
  論文  参考訳（メタデータ） (2026-05-19T01:43:00Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• ResCP: Reservoir Conformal Prediction for Time Series Forecasting [39.81023599249223]
  コンフォーマル予測は、交換可能なデータに対して、分散のない予測間隔を構築するための強力なフレームワークを提供する。 本稿では,Reservoir Conformal Prediction (ResCP)を提案する。
  論文  参考訳（メタデータ） (2025-10-06T17:37:44Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• Retrieval Augmented Time Series Forecasting [23.032293033362752]
  時系列予測は、過去のデータを使って将来のトレンドを予測する。 RAFT(Research-augmented Time Series forecasting method)を提案する。 RAFTは平均勝利率86%で同時代のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-05-07T06:26:11Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Ensemble Conformalized Quantile Regression for Probabilistic Time Series Forecasting [4.716034416800441]
  本稿では,アンサンブル共形量子化回帰(EnCQR)と呼ばれる新しい確率予測手法を提案する。 EnCQRは、分布のないほぼ妥当な予測間隔(PI)を構築し、非定常およびヘテロセダスティック時系列データに適しており、任意の予測モデルの上に適用することができる。 その結果、EnCQRは量子レグレッションやコンフォメーション予測のみに基づくモデルよりも優れており、よりシャープで、より情報的で、有効なPIを提供することが示された。
  論文  参考訳（メタデータ） (2022-02-17T16:54:20Z)

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。