Fugu-MT 論文翻訳(概要): A Critical Audit of Spatiotemporal Forecasting Benchmark Datasets and Baselines

論文の概要: A Critical Audit of Spatiotemporal Forecasting Benchmark Datasets and Baselines

arxiv url: http://arxiv.org/abs/2608.20980v1
Date: Fri, 21 Aug 2026 11:08:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-24 14:49:32.514324
Title: A Critical Audit of Spatiotemporal Forecasting Benchmark Datasets and Baselines
Title（参考訳）: ベンチマークデータセットとベースラインの時空間予測の臨界監査
Authors: Kenneth Martin, Simon Heilig, Asja Fischer, Michel F. C. Haddad, Adam M. Sykulski, Moshe Eliasof,
Abstract要約: 従来の時系列手法でベンチマークデータセットを分析して,空間的に認識できない線形モデルが以前報告したよりも強力な競合相手となる理由を明らかにする。我々の統計分析は、重要な空間的および時間的相関を識別するためのツールセットを提供する。単純なハイブリッドモデルに解析結果を適用することで、我々の方法論がGNNモデルの開発にどのように貢献するかを示す。
参考スコア（独自算出の注目度）: 19.152026148047536
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Graph neural networks (GNNs) are routinely employed for short-range forecasting on multivariate time series with a spatial graph structure. Despite the availability of many alternative datasets, method innovations within this domain are predominantly assessed against a rather limited set of benchmark datasets, most notably Chickenpox, PedalMe, WikiMaths, METR-LA, and PEMS-BAY. The evaluation protocols contain baselines spanning from historical averages to classical machine learning approaches. These baselines often show competitive performance compared to GNNs. In the present work, we take a step back and analyse the benchmark datasets via classical time series methods to uncover why spatially-unaware linear models pose a stronger competitor than previously reported, casting further doubt on the discriminative reliability of the aforementioned widely adopted datasets. Our statistical analysis provides a toolset for identifying significant spatial and temporal correlations, while revealing a structural bias introduced by first-order differenced datasets. We therefore recommend reducing the over-reliance on such datasets for method comparison, and instead advocate for more rigorous statistical evaluation. By applying the results of our analysis to a simple hybrid model, we show how our methodology can lead to novel ways of developing GNN models
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、空間グラフ構造を持つ多変量時系列の短距離予測に日常的に使用される。多くの代替データセットが利用可能であるにもかかわらず、この領域内のメソッドの革新は、Chickenpox、PedalMe、WikiMaths、METR-LA、PEMS-BAYなど、かなり限られたベンチマークデータセットに対して主に評価されている。評価プロトコルは、歴史的平均から古典的な機械学習アプローチにまたがるベースラインを含んでいる。これらのベースラインは、GNNと比較して競争力のあるパフォーマンスを示すことが多い。そこで本研究では,従来の時系列手法を用いてベンチマークデータセットを解析し,空間的に無意識な線形モデルが以前報告したよりも強力な競合相手となる理由を明らかにし,上記の広く採用されているデータセットの識別信頼性に疑問を投げかける。我々の統計分析は、有意な空間的および時間的相関を識別するためのツールセットを提供し、一方、一階差分データセットによって導入された構造的バイアスを明らかにする。そこで,本研究では,そのようなデータセットの信頼度を減らし,より厳密な統計的評価を推奨する。単純なハイブリッドモデルに解析結果を適用することで、我々の方法論がGNNモデルの開発にどのように貢献するかを示す。

関連論文リスト

ProtoTSNet: Interpretable Multivariate Time Series Classification With Prototypical Parts [6.99674326582747]
ProtoTSNetは時系列データの解釈可能な分類のための新しいアプローチである。我々のイノベーションの中心は、グループ畳み込みを利用した畳み込みエンコーダであり、オートエンコーダの一部として事前訓練可能である。
論文参考訳（メタデータ） (2025-11-04T00:42:42Z)
Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
論文参考訳（メタデータ） (2025-09-28T07:07:13Z)
Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文参考訳（メタデータ） (2024-11-24T04:56:45Z)
Advancing Enterprise Spatio-Temporal Forecasting Applications: Data Mining Meets Instruction Tuning of Language Models For Multi-modal Time Series Analysis in Low-Resource Settings [0.0]
パティオ時間予測は輸送、物流、サプライチェーン管理において重要である。本稿では,従来の予測手法の強みと小言語モデルの命令チューニングを融合した動的マルチモーダル手法を提案する。我々のフレームワークは、推論速度とデータプライバシ/セキュリティを維持しながら、計算とメモリの要求を低減したオンプレミスのカスタマイズを可能にする。
論文参考訳（メタデータ） (2024-08-24T16:32:58Z)
Rethinking the Effectiveness of Graph Classification Datasets in Benchmarks for Assessing GNNs [7.407592553310068]
本稿では,単純な手法とGNN間の性能差を調べるための,公正なベンチマークフレームワークに基づく経験的プロトコルを提案する。また,データセットの複雑性とモデル性能を両立させることにより,データセットの有効性を定量化する新しい指標を提案する。我々の発見は、ベンチマークデータセットの現在の理解に光を当て、新しいプラットフォームは、グラフ分類ベンチマークの将来的な進化を後押しする可能性がある。
論文参考訳（メタデータ） (2024-07-06T08:33:23Z)
Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文参考訳（メタデータ） (2024-01-12T22:51:48Z)
Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文参考訳（メタデータ） (2023-02-20T22:25:47Z)
Assessment of Spatio-Temporal Predictors in the Presence of Missing and Heterogeneous Data [23.280400290071732]
ディープラーニングアプローチは、複雑さとスケールの増大にもかかわらず、現代的なデータのモデリングにおいて、卓越した予測性能を達成する。予測モデルの品質を評価することは、従来の統計的仮定がもはや持たないため、より困難になる。本稿では,時間的・時間的予測型ニューラルモデルの最適性を評価するための残差分析フレームワークを提案する。
論文参考訳（メタデータ） (2023-02-03T12:55:08Z)
Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文参考訳（メタデータ） (2022-04-01T17:57:36Z)
Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
論文参考訳（メタデータ） (2020-09-08T12:10:10Z)

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。