論文の概要: Rethinking Cross-Channel Importance in Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.32187v1
• Date: Sat, 26 Sep 2026 03:23:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 19:05:15.490071
• Title: Rethinking Cross-Channel Importance in Time-Series Forecasting
• Title（参考訳）: 時系列予測におけるチャネル間の重要性の再考
• Abstract要約: チャネル間モデリングは時系列予測の中心である。 統計的に関連があり、予測的に有用であり、訓練された予測者によって実際に使用されるチャネルはしばしば、同じ重要性の概念を定義したかのように扱われる。
• 参考スコア（独自算出の注目度）: 0.6569801736856212
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-channel modeling is central to multivariate time-series forecasting, yet channels that are statistically related, predictively useful, and actually used by a trained forecaster are often treated as if they defined the same notion of importance. We show that they need not coincide. Cross-channel dependency structures change substantially across future offsets, and horizon-adaptive source selection improves a controlled Ridge predictor in 21 of 32 dataset--prediction-length conditions, with a mean gain of $5.16\%$. This selected-set signal also transfers to a matched nonlinear predictor. Yet imposing the same horizon-specific source logic on iTransformer yields only 11 of 20 wins and a mean gain of $0.208\%$, with little alignment between controlled and neural gains. Functional interventions further show that strong forecasters use cross-channel information, while their source-reliance rankings agree little with controlled utility or with one another across iTransformer, TimesNet, and a cross-channel TimeMixer. As a constructive consequence, bounded post-hoc support improves a frozen channel-independent forecaster in 12 of 16 dataset--horizon conditions, with a positive aggregate bootstrap interval. Cross-channel importance should therefore be interpreted relative to the forecasting mechanism and question that define it: related $\neq$ useful $\neq$ used.
• Abstract（参考訳）: クロスチャネルモデリングは、多変量時系列予測の中心であるが、統計的に関連があり、予測的に有用であり、実際に訓練された予測者が使用するチャネルは、同じ重要性の概念を定義したかのように扱われることが多い。 偶然の一致は必要ありません。 チャネル間の依存関係構造は、将来のオフセットで大きく変化し、水平方向適応的なソース選択は、32のデータセット長条件のうち21のリッジ予測器を改善し、平均利得は5.16 %$である。 この選択セット信号も一致した非線形予測器に転送される。 しかし、iTransformerで同じ水平方向のソースロジックを適用すれば、20勝のうち11勝しか得られず、平均利得は0.208\%で、制御された利得とニューラル利得の整合性がほとんどない。 機能的介入は、強い予測者がチャネル間の情報を使用することを示しているが、ソース信頼性ランキングは、制御ユーティリティや、iTransformer、TimeNet、およびチャネル横断TimeMixerとほとんど一致しない。 建設的な結果として、境界付きポストホックサポートは16のデータセット-水平条件のうち12の凍結チャネル非依存の予測器を正の集合ブートストラップ間隔で改善する。 したがって、チャネル間の重要度は、予測機構とそれを定義する質問に対して解釈されるべきである: 関連する$\neq$ useful $\neq$ used。

関連論文リスト

• Towards Scaling Law Analysis For Spatiotemporal Weather Data [50.25336689856158]
  単一ステップのトレーニング損失から長期ロールアウトやチャネル単位のメトリクスまで,自動回帰天気予報のためのニューラルスケーリング分析を拡張した。 プールドスケーリングは望ましいように見えるが、多くのチャネルは遅延リードで劣化する。 本稿では,重み付け対象,地平線対応カリキュラム,出力間の資源配分について論じる。
  論文  参考訳（メタデータ） (2026-04-06T18:14:53Z)
• CPiRi: Channel Permutation-Invariant Relational Interaction for Multivariate Time Series Forecasting [21.579831447953243]
  チャネル依存モデルはチャネル間の特徴を学習するが、しばしばチャネルの順序付けに適合する。 チャネルに依存しないモデルは、各チャネルを分離して柔軟性を高めるが、チャネル間の依存関係を無視し、性能を制限する。 固定順序を記憶するのではなく,データからチャネル間構造を推定するフレームワークである textbfCPiRi を提案する。
  論文  参考訳（メタデータ） (2026-01-28T07:30:32Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
  我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
  論文  参考訳（メタデータ） (2025-03-31T18:10:08Z)
• Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting [19.383395337330082]
  本稿では,CCDM(Contrastive Conditional Diffusion)モデルを提案する。 提案したCCDMは,現在最先端の拡散予測器と比較して優れた予測能力を示すことができる。
  論文  参考訳（メタデータ） (2024-10-03T03:13:15Z)
• Reliable Prediction Intervals with Regression Neural Networks [1.569545894307769]
  本稿では,従来の回帰ニューラルネットワーク(NN)を拡張して,所要の信頼度を満たす予測間隔で生成する点予測を置き換える手法を提案する。 提案手法は,信頼度を予測に割り当てるための新しい機械学習フレームワークである Conformal Prediction (CP) に従う。 提案手法は,4つのベンチマークデータセットと,電離圏間リンクにおいて重要なパラメータであるトータル・エレクトロン・コンテント(TEC)の予測問題について評価する。
  論文  参考訳（メタデータ） (2023-12-15T08:39:02Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)

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。