論文の概要: Beyond Similarity: Coverage-Aware Prompt Selection for Time Series Forecasting with LLMs

• arxiv url: http://arxiv.org/abs/2609.22977v1
• Date: Sat, 19 Sep 2026 12:10:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.613365
• Title: Beyond Similarity: Coverage-Aware Prompt Selection for Time Series Forecasting with LLMs
• Title（参考訳）: 類似性を超えて: LLMによる時系列予測のためのカバレッジ対応プロンプト選択
• Abstract要約: 類似性に基づく検索は,大規模言語モデル (LLM) を文脈内学習,検索拡張生成,即時時系列予測において条件づけするための支配的な規則である。 本研究では,この課題を,学習したプロンプトプールを類似度で検索するテストベッドとして,プロンプトベースの時系列予測を用いて検討する。 我々は、この迅速な選択バイアスに対処するカバレッジ対応セマンティックプロンプトフレームワークであるCASP-LLM(CASP-LLM)を、使用量追跡と飽和ゲート技術を組み合わせて、学習可能なパラメータを付加しないカバレッジ正規化器(CASP-LLM)に提案する。
• 参考スコア（独自算出の注目度）: 7.13645555712084
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Similarity-based retrieval is the dominant rule for conditioning large language models (LLMs) in in-context learning, retrieval-augmented generation, and prompt-based time series forecasting. The rule concentrates on near-duplicate candidates, an issue that has motivated diversity-aware retrieval but remains unexamined in other retrieval-conditioned pipelines. We study this issue using prompt-based time series forecasting as a test bed, where a learned prompt pool is retrieved by similarity. Dominant methods in this setting retrieve top-K entries by cosine similarity without redundancy control, producing a bias toward dominant temporal patterns while overlooking rare but informative events. We propose CASP-LLM, a coverage-aware semantic prompting framework that addresses this prompt selection bias by combining usage-tracking and saturating-gate techniques into a coverage regularizer that adds no learnable parameters. On six long-term benchmarks and the M4 short-term benchmark, CASP-LLM matches or improves on similarity-based LLM forecasters on most dataset-horizon settings, with the exceptions of Electricity, M4-Monthly, and the few-shot long-horizon setting. A controlled study locates the failure mode at the cross-batch usage level rather than per-retrieval redundancy: within-retrieval diversification such as MMR does not help, whereas regularizing anchor usage across training does.
• Abstract（参考訳）: 類似性に基づく検索は,大規模言語モデル (LLM) を文脈内学習,検索拡張生成,即時時系列予測において条件づけするための支配的な規則である。 このルールは、多様性を意識した検索を動機付けてきたが、他の検索条件のパイプラインでは検討されていない問題である、ほぼ重複した候補に焦点を当てている。 本研究では,学習したプロンプトプールを類似度で検索するテストベッドとして,プロンプトベースの時系列予測を用いてこの問題を考察する。 この設定における支配的手法は、冗長性制御のないコサイン類似性によりトップKエントリを検索し、稀だが情報的な事象を見越しながら、支配的な時間的パターンに対するバイアスを生じさせる。 我々は、この迅速な選択バイアスに対処するカバレッジ対応セマンティックプロンプトフレームワークであるCASP-LLM(CASP-LLM)を、使用量追跡と飽和ゲート技術を組み合わせて、学習可能なパラメータを付加しないカバレッジ正規化器(CASP-LLM)に提案する。 6つの長期ベンチマークとM4短期ベンチマークでは、CASP-LLMは、Electricity、M4-Monthly、数ショットのロングホライゾン設定を除いて、ほとんどのデータセット・ホライゾン設定で類似性ベースのLM予測器にマッチまたは改善する。 制御された研究は、検索単位の冗長性ではなく、バッチ間の使用レベルの障害モードを特定する。

関連論文リスト

• Which Histories Matter for Time Series Forecasting? Learning Predictive Relevance with Future Supervision [0.0]
  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。
  論文  参考訳（メタデータ） (2026-08-24T13:15:29Z)
• 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)
• 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)
• Attention-Discounted Adaptive Sampler for Masked Diffusion Language Models [59.51249894128724]
  マスク付き拡散言語モデルは、反復を識別するごとに複数のトークンを明らかにすることで推論ステップを削減することができる。 パラレルマスク拡散復号法のためのトレーニング不要な復号法であるADASを提案する。
  論文  参考訳（メタデータ） (2026-06-09T13:17:27Z)
• Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection [1.7751300245073598]
  AxonADは、マルチヘッドアテンションクエリの進化を短い水平方向予測可能なプロセスとして扱う教師なし検出器である。 テール集約型クエリミスマッチスコアは、最近のタイムステップで予測されたクエリとターゲットクエリの相違を測定する。 インターバルアノテーションを用いた車内テレメトリでは、AxonADは強力なベースライン上でのランキング品質と時間的ローカライゼーションを改善している。
  論文  参考訳（メタデータ） (2026-03-13T11:40:51Z)
• TS-Haystack: A Multi-Scale Retrieval Benchmark for Time Series Language Models [4.387988928531881]
  時系列言語モデル(TSLM)は、自然言語における連続的な信号の推論のための統一モデルとして登場している。 既存のモデルは通常、短いシーケンスでトレーニングされ、評価されるが、現実の時系列センサーストリームは数百万のデータポイントにまたがる。 TS-Haystackは4つのカテゴリにまたがる10のタスクタイプからなる長期コンテキストの時間的評価ベンチマークである。
  論文  参考訳（メタデータ） (2026-02-15T15:50:02Z)
• Adaptive Prefiltering for High-Dimensional Similarity Search: A Frequency-Aware Approach [0.0]
  本稿では,Zipfian分布に従ってクエリ空間を周波数層に分割する適応型事前フィルタフレームワークを提案する。 CLIP埋め込みを用いたImageNet-1kの実験は、周波数対応の予算配分が20.4%の距離計算で等価なリコールを達成することを示した。 このフレームワークは、軽量な周波数トラッキングを通じて最小限のオーバーヘッドを導入し、コヒーレンスベースのフォールバックポリシを通じて、目に見えないクエリを優雅に分解する。
  論文  参考訳（メタデータ） (2025-12-03T10:11:35Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Semi-Supervised Temporal Action Detection with Proposal-Free Masking [134.26292288193298]
  PropOsal-free Temporal mask (SPOT) に基づく新しい半教師付き時間行動検出モデルを提案する。 SPOTは最先端の代替品よりも優れている。
  論文  参考訳（メタデータ） (2022-07-14T16:58:47Z)

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。