論文の概要: CoRe: Coherence and Relational Alignment for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.19670v1
• Date: Thu, 17 Sep 2026 04:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.097888
• Title: CoRe: Coherence and Relational Alignment for Multivariate Time Series Forecasting
• Title（参考訳）: CoRe:多変量時系列予測のためのコヒーレンスとリレーショナルアライメント
• Abstract要約: 直接多変量予測のためのモデルに依存しない学習目標であるCoReを提案する。 CoReは2つの出力空間制約でポイントワイズ管理を置き換える。 トレーニング可能なパラメータを導入せず、損失だけを変更して既存の予測バックボーンに適用することができる。
• 参考スコア（独自算出の注目度）: 8.352639988630711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Direct forecasting has become a standard paradigm for multivariate time-series forecasting because it predicts the full future horizon in a single pass. However, its training objective is often still decomposed into pointwise errors such as MSE. Such objectives provide stable supervision, but they do not explicitly preserve the structure of the future trajectory: temporal coherence within each variable and relational consistency across variables can both be weakened. We propose CoRe, a model-agnostic learning objective for direct multivariate forecasting. CoRe replaces pointwise supervision with two output-space constraints: a frequency coherence loss that aligns predicted and target spectra, and a low-rank relational graph loss that matches sampled pairwise differences in a target-derived PCA subspace. The resulting objective introduces no trainable parameters and can be applied to existing forecasting backbones by changing only the loss. Experiments on standard benchmarks show that CoRe improves strong baselines, compares favorably with recent forecasting objectives, and remains effective across different backbones, datasets, and hyperparameter settings overall consistently.
• Abstract（参考訳）: 直接予測は、1回のパスで完全な将来の地平線を予測するため、多変量時系列予測の標準パラダイムとなっている。 しかし、その訓練目標はしばしばMSEのようなポイントワイズエラーに分解される。 このような目的は安定した監督を提供するが、それらは将来の軌跡の構造を明示的に保持していない:各変数における時間的一貫性と変数間の関係性はどちらも弱めることができる。 直接多変量予測のためのモデルに依存しない学習目標であるCoReを提案する。 CoReは2つの出力空間の制約に置き換える: 予測スペクトルとターゲットスペクトルを整列する周波数コヒーレンス損失と、ターゲットから派生したPCAサブ空間のサンプリングされたペアの差に一致する低ランクリレーショナルグラフ損失である。 結果として得られた目的は、トレーニング可能なパラメータを導入せず、損失だけを変更することで、既存の予測バックボーンに適用することができる。 標準ベンチマークの実験では、CoReは強いベースラインを改善し、最近の予測目標と好意的に比較し、バックボーン、データセット、ハイパーパラメータ設定全体で一貫して有効であることが示されている。

関連論文リスト

• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• Multivariate Time Series Forecasting needs Cross Variable Loss [11.325603740473376]
  クロス変数グラフ上の予測残差を制約するプラグイン構造正規化器を提案する。 CvLossは、予測パッチに対するエッジワイド残差の矛盾をペナルティ化し、同期と非同期の両方のインタラクションの一貫性を奨励する。 実験の結果、CvLossは競争予測モデルの改善を一貫して行い、代表的学習目標を上回り、様々な予測バックボーンと互換性があることが判明した。
  論文  参考訳（メタデータ） (2026-08-06T08:22:45Z)
• 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)
• 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)
• Are We Winning the Wrong Game? Revisiting Evaluation Practices for Long-Term Time Series Forecasting [0.0]
  長期時系列予測(LTSF)は、データマイニングと機械学習における中心的な課題として広く認識されている。 我々は、この計量中心の体制は単に不完全であるだけでなく、予測のより広い目的と構造的に不一致であると主張する。 本稿では, 統計的忠実度, 構造的コヒーレンス, 決定レベルの関連性を統合した多次元評価視点を提案する。
  論文  参考訳（メタデータ） (2026-03-09T09:37:46Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• 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)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)

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。