論文の概要: When Does Retrieval Help Time-Series Forecasting?

• arxiv url: http://arxiv.org/abs/2609.20193v1
• Date: Wed, 29 Jul 2026 14:27:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.631299
• Title: When Does Retrieval Help Time-Series Forecasting?
• Title（参考訳）: Retrievalはいつ時系列予測に役立つのか?
• Abstract要約: 検索用プラグインは、そのルックバックウィンドウが持てない情報を、深い予測器に供給する。 ウィンドウ長が$S$と支配的な季節的期間が$L$の関係であることを示す。 我々は新しいプラグインを提案しない。コントリビューションは、レギュレーションマップ、それを明らかにするプロトコル、およびデプロイ前にそれをスクリーニングする2つの統計である。
• 参考スコア（独自算出の注目度）: 1.7499351967216341
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval plug-ins supply a deep forecaster with information its lookback window cannot carry. Published evaluations report consistent gains, and each credits its own mechanism. We show that the benefit belongs instead to the operating point: the relation between window length $S$ and dominant seasonal period $L$, an axis the standard protocol never varies. Stratifying the evaluation by that relation exposes the regime. At $S{=}12$, a simple control that repeats the last observed period beats the six standard backbones, in aggregate, on four of seven benchmarks by $8\%$ to $44\%$ of MSE. It beats the strongest plug-in we run on ETTm1 and matches it on ECL. It is worse by up to $25\%$ on the three datasets whose training-split spectra lack a concentrated, shared period. A controlled synthetic sweep of horizon, period, and window shows the benefit boundary tracks the period (correlation $+0.71$), not the horizon ($-0.23$). A paired control with no phase to recover nearly erases the effect, consistent with phase starvation. Zero-shot pretraining does not escape it: a foundation model trails trained backbones by $22\%$ to $50\%$ on the periodic benchmarks. Within our instrument, exact lookup matches graph diffusion: the payoff is consulting the record, not the machinery on top. Two interpretable statistics, a trend test and a staleness rate, predict the sign of the per-cell benefit at $0.76$ accuracy under leave-one-dataset-out evaluation, a suggestive margin over the $0.69$ majority rule, where a 22-feature stack manages $0.57$. We propose no new plug-in. The contribution is the regime map, the protocol that reveals it, and two statistics that screen it before deployment. Code: https://github.com/KurbanIntelligenceLab/retrieval-regime.
• Abstract（参考訳）: 検索用プラグインは、そのルックバックウィンドウが持てない情報を、深い予測器に供給する。 公表された評価は、一貫した利得を報告し、それぞれが独自のメカニズムを信用する。 ウィンドウ長$S$と支配的な季節期間$L$の関係は、標準プロトコルが決して変化しない軸である。 その関係で評価を成すと、体制が露出する。 S{=}12$で、最後の観測期間を繰り返す単純なコントロールが、合計して6つの標準バックボーンを、MSEの8.%から4.4.%の4つのベンチマークで破る。 ETTm1で実行している最強のプラグインを破り、ECLとマッチします。 トレーニングとスプリットのスペクトルが集中的な共有期間を欠いている3つのデータセットに対して、最大で25\%の費用がかかる。 制御された水平線、周期、窓の合成スイープは、利得境界線が水平線(-0.23$)ではなく周期をトラックしていることを示している(相関は+0.71$)。 位相を伴わないペア制御は、位相飢餓と整合して効果をほぼ消去する。 ファンデーションモデルは、周期ベンチマークでトレーニングされたバックボーンを22\%から50\%に追跡する。 我々の計器の中では、正確なルックアップはグラフ拡散と一致している。 2つの解釈可能な統計、トレンドテストと安定化率により、セル当たりの利益の兆しは0.76ドルと予測される。 新しいプラグインは提案しない。 コントリビューションは、レギュレーションマップ、それを公開するプロトコル、およびデプロイ前にそれをスクリーニングする2つの統計である。 コード:https://github.com/KurbanIntelligenceLab/retrieval-regime。

関連論文リスト

• Does Graph Structure Earn Its Place in Microservice Root-Cause Analysis? A Controlled Study on RCAEval, and What the Benchmark Was Really Measuring [0.0]
  グラフニューラルネットワークは、マイクロサービスの根本原因分析に関する最近の研究を支配しているが、最近の結果は、グラフが寄与するかどうかを疑問視している。 RCAEvalでは、同じ特徴を持つ3つの学習アーム、オプティマイザ、バリデーション分割、アーリーストッピングルール、スコアリングヘッドの3つを比較した。 2つのRCAEvalベンチマーク、2つのトポロジーソース、4つのレギュレーションで、信頼できるグラフ固有の効果は見つからない。
  論文  参考訳（メタデータ） (2026-09-22T21:05:08Z)
• When does fusing hand-crafted knowledge with learned representations pay? A cost-normalized benchmark of stacking, substitution, and interference [26.45899223541571]
  データ駆動学習による事前知識の融合は、データが不足している場合に魅力的だが、それが役に立つ、冗長な、あるいは有害な場合には、制御されたアカウントが言うことはない。 我々は、データ駆動型代替(SimCLR、SimSiam、DINO、ImageNet転送、拡張、学習教師)に対して、トレーニング期間中に$sim$2%のオーバーヘッドでのみ注入されたGaborターゲットのピン留めされたバンクである固定手作りの知識ソースをベンチマークした。 測定したトレーニング時間の組み合わせ全体において、3つの結果が再帰する(決定レベル融合が異なる)。
  論文  参考訳（メタデータ） (2026-08-21T13:44:10Z)
• TEMPO: Makespan-Aware Expert-Parallel Load Balancing Across Memory- and Compute-Bound Regimes [6.460910545652521]
  TEMPOは、クリティカルパスからミリ秒でバッチ毎のディスパッチを解決するメースパン対応ディスパッチである。 SG統合はプロセスアウトで実行され、ディスパッチを1つのイングラフカーネルにフューズする。 Testbed Bのエンドツーエンドでは、Qwen3-235Bが4-6%のスループットを獲得し、p99のレイテンシを15.6%のコストで削減している。
  論文  参考訳（メタデータ） (2026-08-13T10:21:11Z)
• Your VLM Already Knows When: Training-Free Temporal Grounding by Asking Yes or No [2.531680975633497]
  イベントを確実に認識するマルチモーダルLLMは、いつ発生したかはいまだに言えない。 この失敗はタスクインターフェースに存在し、知覚にはないことを示す。
  論文  参考訳（メタデータ） (2026-08-08T19:57:47Z)
• 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)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
  教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。 本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
  論文  参考訳（メタデータ） (2026-05-21T04:54:55Z)
• Verifier-Free RL for LLMs via Intrinsic Gradient-Norm Reward [69.99652051809737]
  本研究では,検証自由な内在性勾配項再帰(VIGOR)を提案する。 VIGORはポリシーモデルのみを使用する単純な報酬です。 数学データのみに基づいてトレーニングされた場合、コードベンチマークへのクロスドメイン転送を示す。
  論文  参考訳（メタデータ） (2026-05-11T03:15:37Z)
• Measuring the Unmeasurable: Markov Chain Reliability for LLM Agents [0.7161783472741748]
  エージェントの実行トレースをMarkovチェーンに適合させる再現可能なパイプラインである textscTraceToChain を提示する。 パイプラインは自動クラスタ分類を構築し、Laplace-smoothed maximum-likelihood Estimation (MLE) による遷移を推定し、複合的なAkaike Information criterion (AIC) と Kolmogorov-Smirnov (KS) に適合する。 結果として得られたファーストパスビューは、通常別々に報告されるメトリクスを再構成する: pass$$k$, pass$k$, and the reliability decay curve (RDC) is projections of one。
  論文  参考訳（メタデータ） (2026-04-27T15:05:45Z)
• Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
  本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。 適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
  論文  参考訳（メタデータ） (2024-05-24T11:22:19Z)
• Characterizing Datapoints via Second-Split Forgetting [93.99363547536392]
  我々は、オリジナルのトレーニング例が忘れられた後(もしあれば)のエポックを追跡する補足的メトリックである$$-second-$split$$forgetting$$$time$ (SSFT)を提案する。 例えば$mislabeled$の例はすぐに忘れられ、$rare$の例は比較的ゆっくりと忘れられています。 SSFTは、(i)間違ったラベル付きサンプルを識別し、その除去により一般化が向上し、(ii)障害モードに関する洞察を提供する。
  論文  参考訳（メタデータ） (2022-10-26T21:03:46Z)

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。