Fugu-MT 論文翻訳(概要): Learning to Difference: Adaptive Reversible Differencing (AdaRDiff) for Time Series Forecasting

論文の概要: Learning to Difference: Adaptive Reversible Differencing (AdaRDiff) for Time Series Forecasting

arxiv url: http://arxiv.org/abs/2608.28134v1
Date: Fri, 28 Aug 2026 09:51:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-31 17:16:04.265316
Title: Learning to Difference: Adaptive Reversible Differencing (AdaRDiff) for Time Series Forecasting
Title（参考訳）: 差分学習:時系列予測のための適応可逆ディフレクション(AdaRDiff)
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.370553892492642
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reliable long-horizon time series forecasting is an important yet difficult problem. Trends and seasonality introduce complex temporal structure that challenges learning-based forecasting models. Differencing, which subtracts nearby past values to remove such structure, is the classical remedy, but its reliance on hand-picked orders and periods has kept it largely absent from recent deep architectures. We propose \textbf{\underline{Ada}}ptive \textbf{\underline{R}}eversible \textbf{\underline{Diff}}erencing \textbf{(AdaRDiff)}, a generalized differencing approach that uses learnable weights to simplify the series through weighted differencing with previous time instants. This yields stabilized residuals on which forecasting is performed, after which the removed components are restored autoregressively to reconstruct the forecast, capturing trend and seasonality jointly through a single operator. This reconstruction admits a closed-form convolutional expression, which parallelizes on GPU and yields up to $33.7\times$ speedup over the naive recurrence. We furthermore rely on a two-phase training schedule that separates temporal structure discovery from reconstruction learning, as suggested by a theoretical analysis of the gradient when using a linear forecasting model. AdaRDiff attains state-of-the-art forecast accuracy across eight benchmarks spanning electricity, weather, traffic, and energy, at negligible parameter cost. Furthermore, it is designed as a plug-and-play module: integrating AdaRDiff improves eight diverse backbones, from linear models to Transformers, in the large majority of cases, by up to $25.9\%$ with a linear backbone and $18.3\%$ with iTransformer.
Abstract（参考訳）: 信頼性の高い長距離時系列予測は重要な問題であるが難しい問題である。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。このような構造を取り除くために、近隣の過去の価値を減じるディフレクションは古典的な治療法であるが、手書きの注文や期間に依存しているため、近年の深層建築にはほとんど依存していない。我々は、学習可能な重みを使い、前の時刻と重み付けされた差分によって級数を単純化する一般化された差分法である \textbf{\underline{Ada}}ptive \textbf{\underline{R}}eversible \textbf{\underline{Diff}}erencing \textbf{(AdaRDiff)} を提案する。これにより、予測を行う安定化された残留物を生成し、その後、除去された部品を自己回帰的に復元して予測を再構築し、トレンドと季節を1つの演算子を介して同時にキャプチャする。この再構成ではクローズドフォームの畳み込み式がGPU上で並列化され、単純繰り返しよりも最大33.7\times$スピードアップされる。さらに,線形予測モデルを用いた時相構造探索と再構成学習を分離する2段階学習スケジュールを理論的解析により提案する。 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。さらに、AdaRDiffを統合することで、リニアモデルからトランスフォーマーまで8種類のバックボーンが改善され、多くの場合、リニアバックボーンが25.9.%、iTransformerが18.3.%となる。

関連論文リスト

GatedLinear: Adaptive Routing of Complementary Linear Bases for Time Series Forecasting [11.155508081323694]
時系列予測は、様々な、しばしば相互排他的で時間的ダイナミクスを捉えるモデルを必要とする。最近のディープラーニングモデルでは精度が向上しているが、通常はこれらの多様なパターンを単一の計算バックボーンで強制する。 GatedLinear - 相補的線形基底の適応的ルーティングとして予測をフレーム化する軽量フレームワークを提案する。
論文参考訳（メタデータ） (2026-07-10T15:42:01Z)
StateFlow: Dual-State Recurrent Modeling for Long-Horizon Time Series Forecasting [21.257843115741256]
StateFlowは、VARNNをデュアルステートリカレントバックボーンとして使用して、ルックバックシーケンスから2つの補完的な信号をキャプチャする、リカレント予測フレームワークである。チャンクベースのデコーダは、これらの軌跡を別々に要約し、それらを将来の地平線にマッピングし、直接多段階予測を行う。
論文参考訳（メタデータ） (2026-06-30T21:26:09Z)
One Step Closer to Ground Truth: A Multi-Scale Residual-Aware Representation Learning Pipeline for Predicting Time Series Data [6.704099492625706]
本稿では,予測と残差学習を表現学習の異なる段階に明確に分離する2段階のモデル非依存フレームワークを提案する。このパイプラインを仮説空間拡張として定式化することにより、我々のフレームワークは単一ステージアーキテクチャに固有の近似制限に対処する。
論文参考訳（メタデータ） (2026-06-09T10:31:54Z)
Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-24T07:31:55Z)
Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
MRI再建は本質的に不完全な逆問題である。この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
論文参考訳（メタデータ） (2026-05-19T04:40:50Z)
Three-Stage Learning Unlocks Strong Performance in Simple Models for Long-Term Time Series Forecasting [6.603558172147427]
STAIRは、複雑なアーキテクチャモジュールを導入することなく、単純な時間マッピングモデルのキャパシティを開放することを目的としている。まず、共有時間マッピングを通じて変数間の共通時間ダイナミクスを学習し、その後、チャネルワイドな微調整により各変数に共有モデルを適用することで、変数固有のパターンをキャプチャし、最後に、残差学習を通じてクロス変数情報でバックボーンを補完する。
論文参考訳（メタデータ） (2026-05-13T15:36:46Z)
PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。本手法は,結合予測システムの長期安定性を著しく向上させる。
論文参考訳（メタデータ） (2026-05-09T13:12:33Z)
SSR: A Training-Free Approach for Streaming 3D Reconstruction [53.19807901585702]
自己表現型シーケンス規則化(Self Expressive Sequence Regularization、SSR)は、推論中にグラスマン列の正則性を強制するプラグアンドプレイ演算子である。本研究では,SSRが連続的にドリフトを低減し,複数のストリーミング3D再構成タスクにおける再構成品質を向上させることを示す。
論文参考訳（メタデータ） (2026-03-16T02:55:14Z)
Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
論文参考訳（メタデータ） (2026-02-10T14:13:36Z)
Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための因果変換器Timer-XLを提案する。大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
論文参考訳（メタデータ） (2024-10-07T07:27:39Z)
Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
時系列予測(LTSF)は時系列分析において重要なフロンティアである。本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
論文参考訳（メタデータ） (2024-01-22T13:15:40Z)
PatchMixer: A Patch-Mixing Architecture for Long-Term Time Series Forecasting [3.7244649185886978]
本稿では,新しいCNNモデルであるPatchMixerを提案する。時間的情報を保存するために、置換不変な畳み込み構造を導入する。最先端のCNNと比べれば、PatchMixerは3.9%、相対的な改善は21.2%である。
論文参考訳（メタデータ） (2023-10-01T12:47:59Z)
Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors [85.22004745984253]
実世界の時系列は、深い予測モデルにとって大きな課題となる固有の非定常性によって特徴づけられる。我々は、基礎となる時間変動力学を根本的に考慮する現代のクープマン理論を用いて、非定常時系列に取り組む。階層的力学を学習する積み重ね可能なブロックからなる新しいクープマン予測器としてクーパを提案する。
論文参考訳（メタデータ） (2023-05-30T07:40:27Z)

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。