論文の概要: Leaky-integrator reconstruction: taming error accumulation in recursive differenced time-series forecasting

• arxiv url: http://arxiv.org/abs/2609.23378v2
• Date: Wed, 23 Sep 2026 07:23:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.665251
• Title: Leaky-integrator reconstruction: taming error accumulation in recursive differenced time-series forecasting
• Title（参考訳）: 漏洩積分器再構成:再帰的差分時系列予測における誤差蓄積のモデル化
• Abstract要約: 再帰差分予測は1段階の変化を予測し、累積和でそれらを統合する。 この再構成は単位円上の極を持つ離散積分器であることが示されるので、学習された非線形モデルのバイアスインクリメント誤差は有界にまとめられる。 次に、H(z) = 1/ (1 - gamma z-1) ガンマ 1 で単位円内の極を移動させる訓練不要な修正であるリーク積分器再構成を導入する。
• 参考スコア（独自算出の注目度）: 1.5606564053684275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recursive differenced forecasting, the standard remedy for non-stationarity, predicts one-step changes and integrates them by cumulative summation. We show that this reconstruction is a discrete integrator with a pole on the unit circle, so the biased increment errors of a learned nonlinear model are summed without bound and the rollout diverges: at 336 steps its normalised MAE reaches 1.6-3.8 for every neural architecture tested, against 0.80 for a stable linear recursion. We then introduce leaky-integrator reconstruction, a training-free fix that moves the pole inside the unit circle with H(z) = 1/(1 - gamma z^-1), gamma < 1, bounding the accumulation of the model's own increment errors. Applied post hoc with a single fixed gamma=0.9 (no retraining, a two-line change to any deployed one-step or foundation-model forecaster), it beats the traditional recursive integrator at every horizon, with the mean gain over seven diverging architectures and twenty datasets growing from ~3% at H=24 to 23% at H=96, 37% at H=192 and 51% at H=336 (43-75% across those architectures; 78% with an oracle pole), bringing all of them to 0.87-0.97. Based on these extensive empirical experiments, adding a leaky integrator thus improves recursive differenced time-series forecasting.
• Abstract（参考訳）: 再帰差分予測(Recursive differenced forecasting)は、非定常性の標準的な治療法であり、一段階の変化を予測し、累積和でそれらを統合する。 この再構成は、単位円上の極を持つ離散積分器であり、学習された非線形モデルのバイアスインクリメント誤差は、境界やロールアウトを伴わずに和算され、336ステップで正規化されたMAEは、試験された全てのニューラルネットワークに対して1.6-3.8に達し、安定な線形再帰は0.80である。 次に、H(z) = 1/(1 - gamma z^-1) ガンマ < 1 で単位円内の極を移動させる訓練不要な修正であるリーク積分器再構成を導入する。 単一の固定ガンマ=0.9(再トレーニングなし、デプロイされたワンステップまたはファンデーションモデル予測器の2行変更なし)のポストホックに適用すると、従来の再帰インテグレータを各地平線で上回り、H=24で3%からH=96で23%、H=192で37%、H=336で51%(これらのアーキテクチャで43-75%、オラクルポールで78%)まで上昇し、0.87-0.97に到達した。 これらの広範な実証実験に基づいて、漏れやすい積分器を追加し、再帰的な差分時系列予測を改善する。

関連論文リスト

• One Patch, Three Roles: What Is Actually Coupled in Autoregressive Time-Series Forecasting? [49.84472730204669]
  凍結した親の軌道は, 軽量な平行出口で観測される未来よりも適合しやすいことを示す。 また、列車選択した周期的歴史方向に沿って補正可能な残射も見出す。 Tangentはこの修正を、ニューラルパラメータやTransformerコールを追加せずに適用する。
  論文  参考訳（メタデータ） (2026-09-20T14:54:35Z)
• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• One Step, One Lead: Mitigating Higher-Order Interference in Multi-Domain Reinforcement Learning via Cross-Step Control [62.82372407840088]
  同点領域勾配は、連続的な更新が出力空間で部分的に逆転する場合においても、ほぼ一定であることを示す。 トークンレベルのリバウンドリスクをランク付けするために,各イテレーションでフォーカスドメインを指定するOSOLを提案する。 OSOLは0.4822のドメイン-マクロ平均に達し、最強の比較ベースラインよりも5.7%向上した。
  論文  参考訳（メタデータ） (2026-09-06T08:32:59Z)
• When Genomic Masking Priors Fail to Transfer: Strong Variant Prediction, Weak Functional Generation [6.888870145233493]
  双方向離散拡散モデルは、両方の側面から欠落した配列を再構成できるため、ゲノムモデリングに自然に適しているように見える。 我々は, エントロピー誘導スパン配置が構成複雑領域の再構成圧力を集中させるという仮説の下で, GenDA (Genomic density-timized Absorbing Diffusion) を開発した。 私たちの結果は、この前提を部分的に支持するだけであります。
  論文  参考訳（メタデータ） (2026-09-04T08:21:34Z)
• Calibrated Closed-Form Uncertainty for Radiative Gaussian Splatting in Sparse-View CT [13.147279382369293]
  ガウススプラッティングCTにおける最初の系統的校正法について検討した。 その結果, ボクセルごとの不確実性は, 公式ベンチマークの15面中14面に真の復元誤差をランク付けすることがわかった。 そして、不適格な買収スコアがなぜ許容できる見解を選択できるのかを見極める。
  論文  参考訳（メタデータ） (2026-07-15T10:25:05Z)
• The Granularity Paradox: How Temporal Disaggregation Inflates In-Sample Fit and Compounds Out-of-Sample Error [0.0]
  時系列予測における「グラニュラリティパラドックス」は, 時間分解の微細化により, サンプル内診断やデータセットサイズが向上する。 このトレードオフを形式化し、13年間の公開調達データセットを使用して、6つの粒度にわたる10のモデルをベンチマークします。
  論文  参考訳（メタデータ） (2026-07-05T11:52:08Z)
• Is Spurious Correlation Removal Always Learnable? [56.28155520961125]
  不変学習は、構造が統計的に識別可能であっても失敗することがある。 ブラックボックスサンプリング可能な教師付きスパースリカバリプリミティブの下では、実証可能な多次元環境が存在する。 合成および実際のデータセットは、予測されたギャップと遷移を示し、単純な多様性診断を動機付ける。
  論文  参考訳（メタデータ） (2026-06-11T05:49:43Z)
• Sequential Spatiotemporal Magnetic-Field Reconstruction via Quantum Hamiltonian Learning with NV-Center Spin-1 Hamiltonians [0.0]
  動的2次元磁場マップのための量子ハミルトニアン学習に基づく逐次再構成フレームワークを提案する。 局所的な測定は、局所磁場値と共有双極子結合パラメータによって支配される窒素空隙スピンダイナミクスによって生成される。 その結果、試験対象のフィールドクラスの実現可能性を示し、結合推定を主な識別可能性ボトルネックとして同定した。
  論文  参考訳（メタデータ） (2026-05-22T10:13:04Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Global and Local Topology-Aware Attention with Persistent Homology and Euler Biases for Time-Series Forecasting [0.0]
  時系列はしばしば、接続性、サイクル、シェルのような幾何学、方向変化、非線形近傍を含む予測幾何学構造を符号化する。 永続的ホモロジー(H0-H2)を用いた注意ログにそのような構造を加えるトポロジ対応アテンションフレームワークを提案する。 我々は,軽量アテンション/ライダー,PatchTSTForRegression,TimeSeriesTransformerForPredictionという3つのアーキテクチャファミリの保護されたトポロジ対応のバリエーションを評価した。
  論文  参考訳（メタデータ） (2026-05-04T21:19:12Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)

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。