論文の概要: Which Histories Matter for Time Series Forecasting? Learning Predictive Relevance with Future Supervision

• arxiv url: http://arxiv.org/abs/2608.23221v1
• Date: Mon, 24 Aug 2026 13:15:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.115332
• Title: Which Histories Matter for Time Series Forecasting? Learning Predictive Relevance with Future Supervision
• Title（参考訳）: 時系列予測にとってどの歴史が重要か : 予測的妥当性の学習と今後の展望
• Abstract要約: 正規化パターン検索器は、推定時刻のスコアを厳密に過去のみに保ちつつ、リストワイズ・フューチャー・コンパチビリティターゲットを学習する。 提案手法は類似性に基づく候補生成を継続するが,その候補をより予測的関連性基準で再評価する。 6つのベンチマークで、リランカはパターン検索を改善し、候補-グロバル、クエリ特化、および混合関連構造を明らかにした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Historical retrieval for time-series prediction commonly treats past similarity as a proxy for usefulness. We ask a different question: which historical examples should be expected to matter for a query? We define predictive relevance as expected future utility conditioned on inference-time information, using realized futures only during training as privileged supervision. A normalized-pattern retriever first forms a coarse candidate set, and a lightweight residual multilayer perceptron (MLP) learns a listwise future-compatibility target while keeping inference-time scoring strictly past-only. Our method retains similarity-based candidate generation but reranks its candidates by a more predictive relevance criterion. Optimal relevance decomposes into candidate-level utility and query-specific compatibility, motivating Candidate-Prior and Shuffled-Future controls. Across six benchmarks, the reranker improves Pattern retrieval while revealing candidate-global, query-specific, and mixed relevance regimes. On all 12 confirmatory tasks, it improves Pattern and outperforms a matched-protocol Stationarity-Aware Retrieval-Augmented Time Series Forecasting (SARAF) retrieval rule. Architecture-matched ablations show that correct future supervision, rather than the MLP or added context alone, drives gains in query-specific regimes. Alternative-similarity experiments show that a strong last-value-anchored L2 rule remains superior in some domains, whereas future-supervised relevance is particularly strong where our diagnostics indicate query-specific relevance, especially on Solar. Candidate-pool diagnostics show that this contrast is not explained solely by coarse Pattern retrieval. Overall, historical relevance is structured and domain dependent rather than governed by a universally superior retrieval rule.
• Abstract（参考訳）: 時系列予測の歴史的検索は、過去の類似性を有用性のプロキシとして扱うのが一般的である。 クエリに関して、どの歴史的な例が重要と期待されるべきなのか? 我々は、予測関連性を、予測時情報に基づく将来予測ユーティリティとして定義し、訓練中のみ、実未来を特権的監督として利用した。 正規化されたパターン検索器は、まず粗い候補セットを形成し、軽量な残留多層パーセプトロン(MLP)は、推測時間スコアを厳密に過去のものに保ちながらリストワイズな将来適合目標を学習する。 提案手法は類似性に基づく候補生成を継続するが,その候補をより予測的関連性基準で再評価する。 最適な関連性は、候補レベルのユーティリティとクエリ固有の互換性に分解され、Candidate-PriorとShuffled-Futureコントロールを動機付ける。 6つのベンチマークで、リランカはパターン検索を改善し、候補-グロバル、クエリ特化、および混合関連構造を明らかにした。 12の確認タスクすべてにおいて、Patternを改善し、マッチしたプロトコールのStationarity-Aware Retrieval-Augmented Time Series Forecasting (SARAF)検索ルールより優れている。 アーキテクチャに適合した説明は、MLPや追加コンテキストのみではなく、将来の適切な監視がクエリ固有のシステマティクスの獲得を促進することを示している。 代替相似性実験により、いくつかの領域では強いL2則が依然として優れているが、将来的な関連性は特に、我々の診断がクエリー固有の関連性を示す場合、特にソーラー上では強いことが示されている。 候補プール診断は、このコントラストが粗いパターン検索によってのみ説明されないことを示している。 全体として、歴史的関連性は、普遍的に優れた検索規則によって支配されるよりもむしろ、構造化され、ドメインに依存している。

関連論文リスト

• HARP: Hierarchical Adaptive Ranking with Preference-Adaptive Fusion for Query-Based CVE Prioritization [84.9738509922482]
  本稿では,自然言語クエリから候補をランク付けするグラフ付きマルチビューフレームワークと,過去のラベル付きサンプルの支持銀行を提案する。 HarPは脆弱性知識グラフからエビデンスを取得し、ポリシー付きグローバル、エンタプライズ、ユーザビューで候補をスコアし、サンプルサポートからのビューフュージョン重みに適合する。
  論文  参考訳（メタデータ） (2026-08-19T20:29:00Z)
• 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)
• Spectral Retrieval-Augmented Time-Series Forecasting [7.885089945243776]
  時系列予測は、過去のパターンを活用して将来の価値を予測するが、従来の手法は複雑な非定常パターンを扱う際に課題に直面している。 検索の強化されたアプローチは、予測を強化するために同様の歴史的パターンを取得することによって、有望な解決策として現れてきた。 時系列をウィンドウ化された周波数表現に変換する新しい検索手法であるSpecReTFを提案する。
  論文  参考訳（メタデータ） (2026-06-17T15:42:19Z)
• Semantics-Enhanced Retrieval-Augmented Time Series Forecasting [5.059121667323038]
  時系列予測モデルは、しばしば歴史的パターンの恩恵を受ける。 最近の研究は、予測を強化するために、関連する時系列セグメントを検索することを検討した。 textbfSemantics-textbfEnhanced textbfRetrieval-textbfAugmented Time Series textbfForecasting framework, SERAF。
  論文  参考訳（メタデータ） (2026-06-12T20:32:10Z)
• 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)
• FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
  時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。 レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。 我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
  論文  参考訳（メタデータ） (2026-04-14T17:04:25Z)
• CaST-POI: Candidate-Conditioned Spatiotemporal Modeling for Next POI Recommendation [18.263381277536357]
  Next Point-of-Interest (POI)レコメンデーションは、ユーザの将来のモビリティパターンを予測することによって、位置情報ベースのサービスにおいて重要な役割を果たす。 既存の手法は通常、歴史的軌跡から単一のユーザ表現を計算し、すべての候補POIを均一にスコアする。 本稿では,次のPOI推薦のための候補条件付きモデルであるCaST-POIを提案する。
  論文  参考訳（メタデータ） (2026-02-10T07:10:18Z)
• Conformal Information Pursuit for Interactively Guiding Large Language Models [68.16703423481935]
  本稿では,クエリ数の最小化を目的としたシーケンシャルクエリ戦略について検討する。 そのような戦略の1つは情報探索(IP)であり、各反復で情報ゲインを最大化または同等に不確実性を最小化するクエリを選択する。 本稿では,コンフォーマル情報探索法(C-IP)を提案する。
  論文  参考訳（メタデータ） (2025-07-04T03:55:39Z)
• 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)
• Query Performance Prediction using Relevance Judgments Generated by Large Language Models [53.97064615557883]
  自動生成関連判定(QPP-GenRE)を用いた新しいクエリ性能予測(QPP)フレームワークを提案する。 QPP-GenREは、QPPを独立したサブタスクに分解し、ランクリスト内の各項目の関連性を所定のクエリに予測する。 我々は,オープンソースの大規模言語モデル (LLM) を用いて,科学的妥当性を確保することにより,項目の関連性を予測する。
  論文  参考訳（メタデータ） (2024-04-01T09:33:05Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• 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。