論文の概要: Do Time-Series Forecasters Use the Right History: Recoverability, Recovery, and Functional Use of Temporal Delays

• arxiv url: http://arxiv.org/abs/2608.10433v1
• Date: Tue, 11 Aug 2026 03:30:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.890388
• Title: Do Time-Series Forecasters Use the Right History: Recoverability, Recovery, and Functional Use of Temporal Delays
• Title（参考訳）: Do Time-Series Forecasters Using the Right History: Recoverability, recovery, and functional use of Temporal Delays (特集:情報ネットワーク)
• Abstract要約: 遅延構造を持つ時系列モデルの3つの質問を分離する。 真の遅延は観測データから回収でき、モデルはそれを報告し、予測は実際に同じ履歴を使用するか? 予測者がまだ間違った遅延ラグを使っているにもかかわらず、予測リスクがオラクルに近づいている間に、遅延レポートが任意に信頼性を持つことが示される。
• 参考スコア（独自算出の注目度）: 10.481986290704821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecast accuracy does not tell us which past inputs produced a prediction. We separate three questions for time-series models with known delay structure: can the true delay be recovered from the observed data, does the model report it, and does the forecast actually use the same history? We first derive input-conditioned recoverability measures that separate intrinsic ambiguity from model error. We then prove that a delay report can become arbitrarily reliable while forecast risk approaches the oracle even though the predictor still uses the wrong lag. This failure also appears in finite samples on the point-delay task: among forecasts with a correct delay report and normalized excess risk within 10\% of the oracle, the reported history is functionally unused under our matched masking test in 55.4\% of N-HiTS cases and 92.7\% of TCN cases. Finally, we show that routing the prediction through the reported history removes off-report bypass paths; a hard one-hot control achieves exact fixed-report alignment. The main conclusion is simple: a good forecast, even with a correct delay report, does not show that the model used the right history.
• Abstract（参考訳）: 予測精度は過去の入力が予測を作成したかを教えてくれない。 我々は、既知の遅延構造を持つ時系列モデルに対して、3つの質問を分離する: 真の遅延は観測データから回収でき、モデルはそれを報告し、予測は実際に同じ履歴を使用するか? まず、内在的曖昧さをモデル誤差から分離する入力条件回復性尺度を導出する。 そして、予測者がまだ間違ったラグを使っているにもかかわらず、予測リスクがオラクルに近づいている間に、遅延レポートが任意に信頼できることを証明します。 この失敗は、ポイント遅延タスク上の有限サンプルにも現れる: 正確な遅延レポートと、オラクルの10\%以内の正規化過剰リスクを持つ予測のうち、報告された歴史は、55.4\%のN-HiTSケースと92.7\%のTCNケースで、我々のマッチングマスキングテストで機能的に使われていない。 最後に、報告された履歴をルーティングすることで、オフレポートのバイパスパスが削除され、ハードワンホット制御が正確な固定レポートアライメントを実現することを示す。 良い予測は、たとえ正確な遅延レポートであっても、モデルが正しい履歴を使っていることを示さない。

関連論文リスト

• From Narrative to Auditable Forecasts: A Structured Scaffold for Agentic Forecasting [28.10023756949099]
  AuditForecastは構造化確率予測のためのエージェント的な足場である。 予測を適切な定量的ベースラインモデルで固定し、モデル誘導データ検索を使用してベース確率を導出し、モデルの範囲外で状況要因を更新する。 AuditForecastは、予測構築を明確にし、系統的なポストホック分析をサポートする監査可能な予測レポートを生成する。
  論文  参考訳（メタデータ） (2026-09-05T05:58:39Z)
• Estimation--Prediction Tradeoff in Causal Probabilistic Temporal Graphs [0.5076419064097734]
  時間的リンク予測は通常、目に見えないエッジでの予測性能によって評価されるが、確率論的時間グラフでは、この基準はモデル誤差を既約の不確実性で説明することができる。 本稿では,一過性のエッジを持つ時間グラフと,既知の地道因果構造を生成する確率論的因果構造を提案する。 提案したバイナリロジスティックパラメトリゼーションでは、クラメロ-ラオ境界を導出し、パラメータ推定誤差と既約予測損失とのトレードオフを検証する。 この結果から,モデルが因果メカニズムを学習したかどうかを反映せず,本質的なプロセスの不確実性から再現可能なモデル誤差を識別するベンチマークを動機付けている可能性が示唆された。
  論文  参考訳（メタデータ） (2026-06-26T16:13:48Z)
• Continuous-Time Probabilistic Correctors for Uncertainty-Aware Physics-Based Spacecraft Trajectory Forecasting [7.565108739173396]
  ロングホライゾンの宇宙船軌道予測は、予測系における補正観測の欠如により誤差の蓄積に悩まされる。 物理ベースの連続時間 $textitdeterministic$ forecaster を学習した連続時間 $textitprobabilistic$ Corrector で拡張するPredictor-Corrector フレームワークを紹介した。 提案手法は,NASAのリアルタイムデータを用いて,長期衛星軌道予測の枠組みを評価するものである。
  論文  参考訳（メタデータ） (2026-06-19T01:16:45Z)
• WorldReasoner: Evaluating Whether Language Model Agents Forecast Events with Valid Reasoning [13.604505459715144]
  WorldReasonerは、時間的に有効なイベント予測のための評価フレームワークである。 各タスクは、エージェントに解決された予測質問、シミュレーションされた予測日、およびその日までに利用可能な証拠へのアクセスを与える。 解決後、このフレームワークは提出された確率、引用された証拠、オプションの因果イベントグラフをスコアする。
  論文  参考訳（メタデータ） (2026-06-10T08:50:29Z)
• Forecasting Anomaly Precursors via Uncertainty-Aware Time-Series Ensembles [9.53248032827498]
  FATE(Forecasting Anomalies with Time-Series Ensembles)を提案する。 FATEは将来の値を予測し、アンサンブルの不一致を利用して、推論時にターゲット値にアクセスすることなく、潜在的な異常の早期兆候を示す。 5つの実世界のベンチマークデータセットの実験により、FATEはPTaPR AUCの19.9ポイント、早期検出のF1スコアの20.02ポイントの平均的な改善を達成している。
  論文  参考訳（メタデータ） (2026-02-19T02:48:09Z)
• Foundation Model Forecasts: Form and Function [0.20999222360659606]
  時系列基礎モデル(TSFM)は高い予測精度を達成するが、精度だけでは実用的価値は決定できない。 我々は最近のTSFMを調査し、その3分の2がポイントまたはパラメトリックの予測のみを生成することを発見した。 多くの運用タスクは、時間的依存を保存する軌道的アンサンブルを必要とする。
  論文  参考訳（メタデータ） (2025-10-22T08:10:34Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• Rethinking Remaining Useful Life Prediction with Scarce Time Series Data: Regression under Indirect Supervision [4.335413713700667]
  本稿では,パラメータ化静的回帰(パラメータ化静的回帰)と呼ばれる統合フレームワークを導入する。 提案手法は,非常に少ない時系列データを扱う場合の予測精度において,競合性能を示す。
  論文  参考訳（メタデータ） (2025-04-12T13:14:35Z)
• 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)
• 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)
• 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)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Retrieval Based Time Series Forecasting [37.48394754614059]
  時系列データは、スマートトランスポートや環境モニタリングなど、さまざまなアプリケーションに現れる。 時系列解析の基本的な問題の1つは時系列予測である。 理論的にも実証的にも,関連する時系列を参照として検索することで,不確実性を効果的に低減できることを示す。
  論文  参考訳（メタデータ） (2022-09-27T16:43:55Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
  持続時間予測に有効な2つのモデルを提案する。 1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。 我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
  論文  参考訳（メタデータ） (2020-11-05T01:52:11Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。