論文の概要: Model-agnostic Retrieval-Augmented Extended Forecasting for time series
- arxiv url: http://arxiv.org/abs/2608.14054v1
- Date: Fri, 14 Aug 2026 07:59:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.311383
- Title: Model-agnostic Retrieval-Augmented Extended Forecasting for time series
- Title（参考訳）: 時系列のモデル非依存検索拡張予測
- Abstract要約: 事前訓練された基礎モデルによる時系列予測は、強力なゼロショット機能を示している。
ドメイン固有のアプリケーションにおいて、短いまたは無視可能な履歴データを持つ時系列で最適なパフォーマンスを達成するには、通常、微調整またはRAGによる適応が必要である。
この研究は、RAGをより効率的な代替案として、特にRAFを探求し、RAEF上に構築されたモデル非依存の手法であるRAEFを導入する。
- 参考スコア（独自算出の注目度）: 8.126818349121537
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series forecasting with pretrained foundation models has demonstrated strong zero-shot capabilities. However, achieving optimal performance on time series with short or negligible historical data in domain-specific applications typically requires adaptation via either fine-tuning or RAG. While fine-tuning is effective, it incurs substantial computational costs. This work explores RAG within univariate time series (Retrieval Augmented Generation) as a more efficient alternative, in particular RAF (Retrieval Augmented Forecasting), and introduces RAEF (Retrieval-Augmented Extended Forecasting), a model-agnostic method built upon RAF. RAEF incorporates key refinements to the retrieval and aggregation mechanisms: (1) direct retrieval in input-space rather than embedding-space, reducing inference overhead, and (2) concatenation-based aggregation that preserves temporal structure instead of averaging. Empirical evaluation across multiple benchmark datasets demonstrates that RAEF outperforms RAF in both accuracy and inference overhead. Furthermore, comprehensive comparisons with zero-shot and fine-tuned foundation models show that RAEF achieves competitive or superior performance to fine-tuning while avoiding its computational burden, establishing it as a practical and scalable approach for domain adaptation in time series forecasting.
- Abstract（参考訳）: 事前訓練された基礎モデルによる時系列予測は、強力なゼロショット機能を示している。
しかし、ドメイン固有のアプリケーションにおいて、短いまたは無視可能な履歴データを時系列で最適なパフォーマンスを達成するには、通常、微調整またはRAGによる適応が必要である。
微調整は効果的であるが、かなりの計算コストがかかる。
特にRAF(Retrieval Augmented Forecasting)ではRAEF(Retrieval-Augmented Extended Forecasting)と呼ばれるRAEF(Retrieval-Augmented Extended Forecasting)というモデルに依存しない手法を導入している。
RAEFは,(1)埋め込み空間ではなく入力空間内で直接的に検索し,推論オーバーヘッドを低減し,(2)平均化ではなく時間構造を保存した連結に基づくアグリゲーションという,検索・アグリゲーション機構に重要な改良を加えている。
複数のベンチマークデータセットに対する経験的評価は、RAEFがRAFを精度と推論オーバーヘッドの両方で上回っていることを示している。
さらに、ゼロショット・ファウンデーションモデルとファウンデーションモデルとの総合的な比較により、RAEFは計算負担を回避しつつ微調整の競争力や優れた性能を達成し、時系列予測におけるドメイン適応の実践的でスケーラブルなアプローチとして確立している。
関連論文リスト
- Stationarity-Aware Retrieval-Augmented Time Series Forecasting [5.059121667323038]
時系列予測は歴史的パターンに依存している。
リアルワールドシリーズは、しばしば非定常性やレギュラーシフトを示す。
定常性を考慮した検索時系列予測手法を提案する。
論文 参考訳（メタデータ） (2026-06-02T18:47:16Z) - Feature to Dynamics: Feature-space to Autoregression strategy for Zero-shot Time Series Forecasting [18.764728642533615]
時系列予測は、以前は目に見えないシリーズの将来の値を予測することを目的としている。
近年の基盤モデルでは,大規模事前学習によりドメイン内性能が向上している。
ゼロショット単変量予測制御のための機能 to ストラテジーフレームワークであるFSAを提案する。
論文 参考訳（メタデータ） (2026-05-31T15:20:14Z) - Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。
このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。
合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
論文 参考訳（メタデータ） (2026-03-04T06:52:37Z) - Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。
予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
論文 参考訳（メタデータ） (2026-02-03T16:01:22Z) - Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。
MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。
MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
論文 参考訳（メタデータ） (2025-11-26T17:01:41Z) - RI-Loss: A Learnable Residual-Informed Loss for Time Series Forecasting [13.117430904377905]
時系列予測は、過去のデータから将来の値を予測することに依存する。
MSEには2つの根本的な弱点がある:そのポイントワイドエラーは時間的関係を捉えるのに失敗し、データに固有のノイズを考慮しない。
我々は,Hilbert-Schmidt Independence Criterion(HSIC)に基づく新たな目的関数であるResidual-Informed Loss(RI-Loss)を紹介する。
論文 参考訳（メタデータ） (2025-11-13T09:36:00Z) - A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。
本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。
火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
論文 参考訳（メタデータ） (2025-10-11T09:59:25Z) - Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion [13.640501360968782]
FALDAは時系列予測のための新しい確率的フレームワークである。
コンポーネント固有のアーキテクチャが組み込まれており、個々の時間的コンポーネントをカスタマイズしたモデリングを可能にする。
6つの実世界のベンチマーク実験は、FALDAが既存の確率予測手法を一貫して上回っていることを示している。
FALDAはまた、最先端(SOTA)ポイント予測アプローチよりも優れた全体的なパフォーマンスを実現し、最大9%の改善を実現している。
論文 参考訳（メタデータ） (2025-05-16T14:32:34Z) - Chain-of-Retrieval Augmented Generation [91.02950964802454]
本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。
提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
論文 参考訳（メタデータ） (2025-01-24T09:12:52Z) - Retrieval Augmented Time Series Forecasting [19.71444850959715]
我々は、時系列データの動的かつイベント駆動的な性質が、RAGを時系列予測の重要な構成要素にしていると論じる。
我々は、RAF(Retrieval Augmented Forecasting)と呼ばれる時系列予測のための原則付きRAGフレームワークを導入する。
論文 参考訳（メタデータ） (2024-11-12T23:55:11Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳（メタデータ） (2023-07-26T08:25:46Z) - Exogenous Data in Forecasting: FARM -- A New Measure for Relevance
Evaluation [62.997667081978825]
FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。
我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。
第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
論文 参考訳（メタデータ） (2023-04-21T15:22:33Z)
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。