論文の概要: DecoVAE: a Lightweight Interpretable Trend-Seasonal VAE Framework for Efficient Probabilistic Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2608.20052v1
- Date: Thu, 20 Aug 2026 13:51:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.590692
- Title: DecoVAE: a Lightweight Interpretable Trend-Seasonal VAE Framework for Efficient Probabilistic Time Series Forecasting
- Title（参考訳）: DecoVAE: 効率的な確率的時系列予測のための軽量解釈型トレンドシーソンVAEフレームワーク
- Abstract要約: 我々は、軽量な解釈可能なトレンドシーズンVAEフレームワークであるDecoVAEを提案する。
時系列を傾向と季節成分に分解し、ドメイン固有の帰納バイアスを適用する。
7つの実世界のベンチマークにおいて、一貫して強力なベースラインを上回ります。
- 参考スコア（独自算出の注目度）: 43.38565681834944
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Probabilistic time series forecasting remains challenging, largely because modeling distinct trend and seasonal dynamics requires specialized approaches. Existing methods often fail to capture the unique inner properties of these components, lack interpretability, or suffer from heavy memory and runtime overhead. To address these limitations, we propose DecoVAE, a lightweight interpretable trend-seasonal VAE framework that explicitly decomposes time series into trend and seasonal components by applying domain-specific inductive biases. The trend stream enforces structural smoothness using a differential regularizer on the latent trajectory, analogous to the Hodrick-Prescott filter. Concurrently, the seasonal stream operates in the frequency domain via a complex Gaussian VAE, natively capturing the amplitude and phase of periodic patterns. Extensive evaluations across seven real-world benchmarks show that DecoVAE consistently outperforms strong baselines. It achieves reductions of up to 14.96\% in CRPS and 23.30\% in NMAE for short-term forecasting, and up to 52.68\% and 26.51\% for long-term horizons. Crucially, DecoVAE yields these accuracy gains while remaining highly efficient, reducing model weight by up to 93\% and accelerating speed by up to 74\% compared to the second-best method.
- Abstract（参考訳）: 確率的時系列予測は、主に異なる傾向と季節動態をモデル化するには特別なアプローチが必要であるため、依然として困難である。
既存のメソッドは、これらのコンポーネントの固有の内部特性をキャプチャできなかったり、解釈性に欠けたり、重いメモリとランタイムオーバーヘッドに悩まされたりすることがよくある。
これらの制約に対処するために,ドメイン固有の帰納バイアスを適用して時系列を傾向成分と季節成分に明示的に分解する,軽量な解釈可能なトレンドシーズンVAEフレームワークであるDecoVAEを提案する。
トレンドストリームは、ホドリック・プレスコットフィルタに類似した潜在軌道上の微分正則化器を用いて構造的滑らかさを強制する。
同時に、季節流は複雑なガウスVAEを介して周波数領域で動作し、周期パターンの振幅と位相をネイティブにキャプチャする。
7つの実世界のベンチマークに対する大規模な評価は、DecoVAEが一貫して強力なベースラインを上回っていることを示している。
CRPSでは14.96 %、NMAEでは23.30 %、長期的な地平線では52.68 %、26.51 %まで減少する。
重要な点として、DecoVAEはこれらの精度向上を高い効率で達成し、モデル重量を最大93\%、速度を最大74\%削減する。
関連論文リスト
- Rollcast: Proper-Score Gated Rolling Anchors for Adaptive Probabilistic Time-Series Forecasting [0.0]
ローリングは、中央値、極端値、回帰エンドポイント、および量子化が候補予測位置を定義することを意味する。
状態依存ソフトマックスゲートは、負の対数予測密度を最小化してアンカー確率を学習する。
再帰シミュレーションは、結果の混合を複数の予測水平線上で伝播する。
論文 参考訳（メタデータ） (2026-09-03T18:50:29Z) - Learning to Difference: Adaptive Reversible Differencing (AdaRDiff) for Time Series Forecasting [2.370553892492642]
傾向と季節性は、学習に基づく予測モデルに挑戦する複雑な時間構造をもたらす。
textbfunderline Reversible textbfunderlineDifference textbf(AdaRDiff)を提案する。
AdaRDiffは、電気、天気、交通、エネルギーにまたがる8つのベンチマークの最先端の予測精度を無視可能なパラメータコストで達成する。
論文 参考訳（メタデータ） (2026-08-28T09:51:08Z) - CLaST: Context-aware Contrastive VAE for Probabilistic Time Series Forecasting [37.52530836149578]
確率的時系列予測のためのVAEフレームワークである textitCLaST を提案する。
CLaSTは、コントラスト損失関数を通じて観測間の文脈的類似性を保持する埋め込みを学習する。
短期予測タスクでは、CRPSで最大16.4%、NMAEで最大14.4%の改善を実現している。
CLaSTの長期予測では、CRPSとNMAEでそれぞれ48.6%$と25.1%$をそれぞれ上回っている。
論文 参考訳（メタデータ） (2026-08-20T13:34:01Z) - TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling [74.915718648935]
既存の手法では精度が限られており、極端なイベントやエラーの蓄積に苦労している。
本稿では,歴史に富んだ時間可変ヒストリカルパラダイムを用いた三軸状態空間モデル(TSSM)を提案する。
TSSMは、歴史的サンプルを周期的なバッチにまとめ、予測は歴史的および現在の観測によって因果的に支持される。
論文 参考訳（メタデータ） (2026-07-14T07:36:19Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。
ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
論文 参考訳（メタデータ） (2026-05-07T20:25:28Z) - 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) - 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) - Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting [0.8503925197267593]
我々は,確率フローモデルの自己回帰微調整を可能にする単一ステップ一貫性モデルであるSwiftを紹介する。
結果から、Swiftは75日間にわたって安定し、最先端の拡散ベースラインよりも39時間以上高速に動作する、熟練した6時間の予測を生成する。
論文 参考訳（メタデータ） (2025-09-30T00:54:24Z) - Output Scaling: YingLong-Delayed Chain of Thought in a Large Pretrained Time Series Forecasting Model [55.25659103706409]
このフレームワークは,設計した基盤モデルであるYingLongの最先端性能を実現する。
YingLongは、マスク付きトークンリカバリによってトレーニングされた非因果的双方向アテンションエンコーダのみのトランスフォーマーである。
我々は、6Mから3Mパラメータの4つの基礎モデルをリリースし、ゼロショットタスクにおいて優れた結果を示す。
論文 参考訳（メタデータ） (2025-05-20T14:31:06Z) - A Multi-scale Representation Learning Framework for Long-Term Time Series Forecasting [6.344911113059126]
長期時系列予測(LTSF)は、エネルギー消費や天気予報といった実用的な設定において幅広い用途を提供する。
この研究は、多粒度情報の最適部分利用を含むLTSFの重要な問題に直面している。
提案手法は,様々なスケールにわたる明瞭で同時的な予測を用いて,複雑な時間的ダイナミクスを適切に解き放つ。
論文 参考訳（メタデータ） (2025-05-13T03:26:44Z) - CANet: ChronoAdaptive Network for Enhanced Long-Term Time Series Forecasting under Non-Stationarity [0.0]
本稿では,スタイル転送技術に触発された新しいアーキテクチャであるChoronoAdaptive Network (CANet)を紹介する。
CANetの中核は非定常適応正規化モジュールであり、スタイルブレンディングゲートと適応インスタンス正規化(AdaIN)をシームレスに統合する。
実世界のデータセットに関する実験は、CANetが最先端の手法よりも優れていることを検証し、MSEの42%、MAEの22%を達成している。
論文 参考訳（メタデータ） (2025-04-24T20:05:33Z) - HADL Framework for Noise Resilient Long-Term Time Series Forecasting [0.7810572107832383]
長期の時系列予測は、金融、経済、エネルギーといった分野において重要である。
拡張されたルックバックウィンドウにおける時間ノイズの影響は未調査であり、しばしばモデル性能と計算効率を劣化させる。
本稿では、離散ウェーブレット変換(DWT)と離散コサイン変換(DCT)を統合することで、これらの課題に対処する新しいフレームワークを提案する。
提案手法は,ノイズの多い入力に対する競合堅牢性を示し,計算複雑性を著しく低減し,多様なベンチマークデータセット間での競合性ないし最先端の予測性能を実現する。
論文 参考訳（メタデータ） (2025-02-14T21:41:42Z)
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。