論文の概要: SGA: Uncertainty Quantification for Multi-Step Forecasting in Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2609.28582v1
• Date: Wed, 23 Sep 2026 13:19:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.42179
• Title: SGA: Uncertainty Quantification for Multi-Step Forecasting in Time Series Foundation Models
• Title（参考訳）: SGA:時系列基礎モデルにおけるマルチステップ予測の不確実性定量化
• Abstract要約: マルチステップTSFM予測の不確かさを定量化するスライシンググラフアライメント(SGA)法を提案する。 11個のTSFMと27個のデータセットで行った実験結果から,(i)SGAが予測不確実性推定のランク付けにおいて最高の性能を発揮することが示された。 TSFMの大規模モデルスケールは、多段階予測の低い不確実性推定と相関しており、不確実性定量化のための別の経験的スケーリング法則が示唆されている。
• 参考スコア（独自算出の注目度）: 14.360886571404741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recent emergence of Time Series Foundation Models (TSFMs) has significantly advanced multi-step forecasting performance, enabling accurate predictions over extended future horizons. However, existing TSFMs often suffer from significantly inherent uncertainty, which typically manifests as derived forecast branches emerging at each time step and spreading to subsequent steps; different forecast branches often exhibit varying forecasting performance, thereby undermining the credibility of TSFM forecasts. In this paper, we propose the Slicing-Graphing-Alignment (SGA) method to quantify the uncertainty of multi-step TSFM forecasts. The proposed SGA first characterizes the topology of all potential forecast branches using a directed acyclic graph, such that the graph complexity bounds the uncertainty of multi-step forecasts, and then precisely measures the graph complexity by integrating both topological information and TSFM-inherent stochasticity. Experimental results conducted on 11 TSFMs and 27 datasets demonstrate that (i) SGA achieves the best performance when ranking predictive errors with uncertainty estimates; (ii) SGA works with a more extensive and more precise sampling coverage than those of existing UQ methods, deriving a quantification mechanism fundamentally different from those of established ones; and (iii) larger model scales of TSFMs correlate with lower uncertainty estimates of multi-step forecasts, suggesting another empirical scaling law for uncertainty quantification of multi-step TSFM forecasts.
• Abstract（参考訳）: 近年の時系列基礎モデル (TSFM) の出現により、多段階予測性能が大幅に向上し、将来の展望を正確に予測できるようになった。 しかし、既存のTSFMは、しばしば著しく固有の不確実性に悩まされ、これは典型的には、各時点に発生し、その後の段階に広がる派生予測分岐として現れ、異なる予測分岐は、しばしば様々な予測性能を示すため、TSFM予測の信頼性を損なう。 本稿では,マルチステップTSFM予測の不確かさを定量化するスライシング・グラフアライメント(SGA)手法を提案する。 提案したSGAは、まず、有向非巡回グラフを用いて、有向非巡回グラフを用いて、ポテンシャル予測枝のトポロジを特徴付け、グラフの複雑さが多段階予測の不確実性の境界を定め、次いで、トポロジ情報とTSFMの独立確率性の両方を統合することにより、グラフの複雑さを正確に測定する。 11個のTSFMと27個のデータセットによる実験結果が示す。 (i)SGAは、不確実性推定で予測誤差をランク付けする際の最高の性能を達成する。 (II)SGAは、既存のUQ法よりも広範かつ精密なサンプリングカバレッジで動作し、確立されたUQ法と根本的に異なる定量化機構を導出する。 3) TSFMのモデルスケールは, 多段階予測の不確実性の推定値と相関し, 多段階TSFM予測の不確実性定量化に関する別の経験的スケーリング法則が示唆された。

関連論文リスト

• TimeRFT: Stimulating Generalizable Time Series Forecasting for TSFMs via Reinforcement Finetuning [17.14331763602024]
  時系列基礎モデル(TSFM)は、大規模事前学習による時系列予測における一般化とデータ効率を向上する。 本稿では,TSFM下流適応のための時系列強化ファインタニング(TimeRFT)パラダイムについて紹介する。 大規模な実験では、TimeRFTは様々な実世界の予測タスクやデータ体制のトレーニングにおいて、SFTベースの適応手法を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-04-18T06:22:26Z)
• Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
  時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。 TSFMの新しい調停フレームワークであるSynapseを提案する。 その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-07T18:01:51Z)
• Forecast2Anomaly (F2A): Adapting Multivariate Time Series Foundation Models for Anomaly Prediction [4.113311437158182]
  Forecast2Anomaly (F2A) は, TSFMに異常予測能力を付与する新しいフレームワークである。 まず,TSFMを微調整し,異常点においても将来信号の正確な予測を行う共同予測・異常損失を提案する。 第2に、歴史的に関連する地平線と条件予測を検索するRAG(Retrieval-Augmented Generation)モジュールを導入する。
  論文  参考訳（メタデータ） (2025-11-05T03:13:26Z)
• Time Series Foundational Models: Their Role in Anomaly Detection and Prediction [0.0]
  時系列基礎モデル (TSFM) は時系列予測において注目されている。 本稿では,異常検出および予測タスクにおけるTSFMの有効性を批判的に評価する。
  論文  参考訳（メタデータ） (2024-12-26T17:15:30Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• SEMF: Supervised Expectation-Maximization Framework for Predicting Intervals [0.254890465057467]
  Supervised expectation-Maximization Framework (SEMF)は、任意のMLモデルで予測間隔を生成するための汎用的でモデルに依存しないアプローチである。 SEMFは、所望のカバレッジ確率を維持しながら、常により狭い予測間隔を生成する。 量子(スピンボール)損失を使わずに、SEMFは勾配ブースト木やニューラルネットワークを含む点予測器を共形量子レグレッションで校正することができる。
  論文  参考訳（メタデータ） (2024-05-28T13:43:34Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)

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。