論文の概要: EPOC: Endpoint-Preserving Online Correction With Compressed Residual State for Multi-Horizon Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2609.30929v1
- Date: Fri, 25 Sep 2026 07:43:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.27973
- Title: EPOC: Endpoint-Preserving Online Correction With Compressed Residual State for Multi-Horizon Time Series Forecasting
- Title（参考訳）: EPOC:マルチ水平時系列予測のための圧縮残留状態によるエンドポイント保存オンライン補正
- Abstract要約: 圧縮残留状態を用いて低次離散コサイン変換係数を記憶する。
各チャネル内では、エンドポイントはコンポーネントワイドのオンラインリッジレグレッション間で共有される。
EPOCは平均二乗誤差(MSE)と平均絶対誤差(MAE)を補正されていないベースから15.40%から9.35%減らす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Completed multi-horizon forecasts provide residual feedback for a fixed forecaster, but retaining full residual blocks increases auxiliary state. We propose Endpoint-Preserving Online Correction (EPOC) with a compressed residual state. It stores low-order discrete cosine transform (DCT) coefficients and the final value of the preceding residual block. Within each channel, the endpoint is shared across component-wise online ridge regressions that also use current-forecast coefficients. The fitted DCT correction is blended with the base forecast. We evaluate eight multivariate series with DLinear and PatchTST, three seeds, and two training variants, yielding 96 matched fixed-base conditions at a 24-step horizon. EPOC achieves mean condition-wise reductions in mean squared error (MSE) and mean absolute error (MAE) of 15.40% and 9.35% from the uncorrected base, respectively, with a median of 6,352 B in retained auxiliary arrays. It has lower paired MSE than the $δ$-Adapter, COSA, FAC, and OMPB in a majority of conditions and uses less state than each. Full ELF achieves the largest mean MSE reduction, 19.29%, but its median retained state is 474,048 B ($\times$75 relative to EPOC). Equal-size summary controls favor the endpoint by 1.65--2.20% in paired MSE; a coefficient-reconstructed endpoint yields similar accuracy to the observed endpoint, highlighting its role as a shared input. Increasing the retained DCT component count from 4 to 8 adds 1.00 percentage point of MSE reduction for 5,728 B. On jointly trained bases, EPOC lowers MSE by 16.69--20.15% relative to globally blended TEFL-style adapters applied to the same base. The code and numerical records are available at https://github.com/keiotakmin/endpoint-preserving-residual-correction.
- Abstract（参考訳）: 完全マルチ水平予測は、固定された予測器に対して残差フィードバックを提供するが、完全な残差ブロックを保持することは補助状態を増加させる。
本稿では,残差を圧縮した Endpoint-Preserving Online Correction (EPOC) を提案する。
低次離散コサイン変換(DCT)係数と、前の残差ブロックの最終値を保持する。
各チャネル内では、エンドポイントはコンポーネントワイドのオンラインリッジレグレッション間で共有され、現在の予測係数も使用する。
装着されたDCT補正は、ベース予測とブレンドされる。
DLinearとPatchTSTを併用した8種類の多変量体,3種の種子,および2種類の訓練用品種を24段階の地平線で96個の一致した固定基条件で評価した。
EPOCは平均二乗誤差(MSE)と平均絶対誤差(MAE)を補正されていないベースからそれぞれ15.40%、9.35%、中央値が6,352Bである。
MSEは$δ$-Adapter、COSA、FAC、OMPBよりも低い条件でペアリングされ、各条件よりも少ない状態を使用する。
フルELFは平均MSEの19.29%の減少を達成するが、中央値は474,048B(EPOCと比較して75ドル)である。
等サイズのサマリ制御は、ペアMSEで1.65--2.20%のエンドポイントを好んでおり、係数再構成されたエンドポイントは観測されたエンドポイントと同様の精度を示し、共有入力としての役割を強調している。
保持されたDCT成分数を4から8に増やすと、5,728BのMSE還元率1.00ポイントが加算され、共同で訓練されたベースでは、EPOCは同じベースに塗布されたTEFL型アダプタと比較してMSEを16.69-20.15%低下させる。
コードと数値記録はhttps://github.com/keiotakmin/endpoint-serving-residual-correctionで確認できる。
関連論文リスト
- The Residual Stream's Effective Depth [10.776510686549338]
$Deff$は、トランスフォーマーの階層的残留ストリームを離散時間プロセスとして扱う診断である。
16のデフォルト値のうち15は$F_L$以下である。
OLMo-2の初期に確立され、5Tトークンを介して安定するが、Pythia-1.4Bは異なる減少軌道を辿る。
論文 参考訳（メタデータ） (2026-09-25T10:36:43Z) - 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) - Structured Transforms for Low-Overhead Quantization of Language Models [43.017319901277354]
我々は,大規模な言語モデルに対する加振分解に基づく重み量子化について再検討し,改良されたアルゴリズムを提案する。
更新を交互に行うグリーディアルゴリズムは,各因子の安定な2ビットクラスタリングに必要な4ピーク分布を保証する。
JAXパイプラインは、OPTQ、QuIP、QuIP-RG、微調整およびベクトル量子化なしのQuIP#と競合し、OPT、Llama-2、Pythiaの4ビットのチャネルで競合する。
論文 参考訳（メタデータ） (2026-09-10T15:15:50Z) - SS-ESOAP: Self-Scaled Adaptive Preconditioning for Physics-Informed Learning [70.71795707610961]
メソッドは、Kronecker幾何に適応したスカラーセマントエネルギー補正でSOAPスタイルのプレコンディショニングを強化する。
メソッドは8つのPDEベンチマークのうち6つで最下位の残差に達する。
4つの代表PDEの3列の$L2$と$H1$エラーは、低い残差と改善された解精度の間のリンクをサポートする。
論文 参考訳（メタデータ） (2026-08-29T21:34:47Z) - Unscented KalmanNet: Structure-Preserving Deep Learning with Calibrated Posterior Uncertainty under Incomplete Physics and Unknown Noise [3.3318820340878528]
既存の学習支援フィルタは、精度と不確かさを別々に扱う。
本稿では、Unscented Kalman Filter(UKF)を拡張したモデルベースディープラーニングアーキテクチャであるUnscented KalmanNet(UKN)を紹介する。
UKNは4つの例の中で最も低い状態推定誤差を達成し、合成ケースではUKFと比較してRMSEを26.4-49.7%削減する。
論文 参考訳（メタデータ） (2026-08-04T19:58:01Z) - Report the Floor: A Training-Free Conformal Interval Is a Mandatory Baseline for Probabilistic Time-Series Forecasting [0.0]
有限個のスプリット・コンフォーマルな残留量子化でラップされた最後の値点予測値である最も単純な共形間隔は、その近距離不在よりもはるかに強い基底線であることを示す。
この ConformalNaive インターバルは、単純値量子基底線を決定的に破る。
ConformalNaive+は、一直線で、トレーニング不要で、水平順応性のあるセレクタで、各地平線上の2つの相補的なフロアを改善できる。
論文 参考訳（メタデータ） (2026-06-08T13:30:18Z) - A Penalty-Free Pipeline for Direct Quantum-Annealer Portfolio Optimization [0.0]
直接量子アニーラーポートフォリオ最適化は、一般にD-Waveハードウェアに送信されるペナルティ符号化QUBOとして定式化される。
この標準定式化は、現在のデバイスでは失敗し、構造的理由を特定する。
期待したリターンから目的のみのQUBOを構築し、それをハードウェア上でサンプリングする。
論文 参考訳（メタデータ） (2026-05-17T19:50:04Z) - Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。
終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。
EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
論文 参考訳（メタデータ） (2026-05-15T16:11:10Z) - Quantization Dominates Rank Reduction for KV-Cache Compression [0.0]
量子化は、モデルと圧縮レベルに応じて、4-364 PPLのランク低下を一貫して上回る。
我々は、ソフトマックスフィッシャー計量の下で、投射損傷が1方向に3 x 2 (2b) の量子化損傷を超える結果によってこれを定式化する。
論文 参考訳（メタデータ） (2026-04-13T14:06:18Z) - BPDQ: Bit-Plane Decomposition Quantization on a Variable Grid for Large Language Models [56.504879072674015]
本稿では,ビットプレーンとスカラー係数による可変量子化グリッドを構成するビットプレーン分解量子化(BPDQ)を提案する。
BPDQは、1つのGTX 3090上でQwen2.5-72Bを83.85%のGSM8Kの精度で提供できる(ただし16ビットでは90.83%)。
論文 参考訳（メタデータ） (2026-02-04T02:54:37Z) - Edge-aware baselines for ogbn-proteins in PyTorch Geometric: species-wise normalization, post-hoc calibration, and cost-accuracy trade-offs [45.88028371034407]
PyTorch Geometric におけるogbnタンパク質の再現可能なエッジ認識ベースラインを提案する。
最強のベースラインは、和ベースのエッジ・ツー・ノード機能を備えたGraphSAGEです。
レーベルごとの温度スケーリングとラベルごとの閾値は、AUCの変更を無視して、マイクロF1と期待キャリブレーション誤差(ECE)を大幅に改善する。
論文 参考訳（メタデータ） (2025-11-17T11:09:46Z)
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。