論文の概要: BITS: Rethinking Fair and Comprehensive Evaluation for Irregular Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.33303v1
• Date: Sun, 27 Sep 2026 07:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 01:19:48.455925
• Title: BITS: Rethinking Fair and Comprehensive Evaluation for Irregular Time Series Forecasting
• Title（参考訳）: BITS:不規則な時系列予測のための公正かつ包括的評価を再考する
• Abstract要約: BITSは、不規則時系列予測の研究を進めるための標準化、再現可能、およびベンチマークである。 データセットは、欠落率、欠落パターンの複雑さ、サンプリングの不規則性、歪みに応じて特徴付けられる。 時系列基礎モデルを含む規則的および不規則な時系列予測方法を、一貫した設定で許容する。
• 参考スコア（独自算出の注目度）: 25.590792451838457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite recent progress in irregular time series forecasting, the field still lacks a unified benchmark for fair and comprehensive evaluation. Existing evaluations are often conducted on a limited set of datasets with inconsistent experimental protocols and predominantly error-based metrics, rendering it difficult to compare and assess methods fairly and comprehensively across diverse settings. To eliminate these limitations and accelerate progress, we propose BITS, a standardized, reproducible, and extensible benchmark for advancing research on irregular time series forecasting. BITS covers eleven datasets from nine domains with diverse irregularity characteristics, and it characterizes the datasets according to their missing rate, missing pattern complexity, sampling irregularity, and skewness. Further, it offers a unified pipeline for data preprocessing, model integration and evaluation, and reporting. It accommodates regular and irregular time series forecasting methods, including time series foundation models, under consistent settings, incorporating both error-based and non-error-based evaluation metrics. Findings include that method performance varies substantially across irregularity characteristics, with no single modeling strategy consistently dominating. We also find that using error-based or non-error-based metrics can yield different model rankings, highlighting the need for multi-dimensional evaluation. The code can be found at https://anonymous.4open.science/r/BITS-8F2E/.
• Abstract（参考訳）: 不規則な時系列予測の最近の進歩にもかかわらず、この分野ではまだ公平で包括的な評価のための統一されたベンチマークが欠けている。 既存の評価はしばしば、一貫性のない実験プロトコルと主にエラーベースのメトリクスを備えた限られたデータセットで行われ、様々な設定でメソッドを公平に比較し、包括的に評価することは困難である。 これらの制限を排除し、進展を加速するために、不規則時系列予測の研究を進めるための標準化された再現可能で拡張可能なベンチマークであるBITSを提案する。 BITSは、異なる不規則性特性を持つ9ドメインから11のデータセットをカバーし、その欠落率、パターンの複雑さの欠如、サンプリング不規則性、歪度に応じてデータセットを特徴付ける。 さらに、データ前処理、モデル統合と評価、レポートのための統合パイプラインも提供する。 時系列基礎モデルを含む規則的および不規則な時系列予測手法を一貫した設定で適用でき、エラーベースと非エラーベースの評価指標の両方を取り入れている。 例えば、メソッドのパフォーマンスは不規則性の特徴によって大きく異なり、単一のモデリング戦略が常に支配的になることはない。 また、エラーベースまたは非エラーベースメトリクスを使用することで、異なるモデルランキングが得られ、多次元評価の必要性が強調される。 コードはhttps://anonymous.4open.science/r/BITS-8F2E/で見ることができる。

関連論文リスト

• Time-Series Foundation Models That Understand Data Revisions [0.0]
  VINTAGE-TSは時系列基礎モデルのリビジョン対応である。 そのターゲットは、次の期間の最初の発行された価値であり、その発表の数日後に利用可能な価値である。 ALFREDに基づくローリング評価,一致したクロノス2の比較,従来およびリビジョン対応ベースライン,事前学習重複の個別監査を行う。
  論文  参考訳（メタデータ） (2026-09-23T12:29:23Z)
• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• PATE: Proximity-Aware Time series anomaly Evaluation [3.0377067713090633]
  従来のパフォーマンスメトリクスは、IDデータを仮定し、複雑な時間的ダイナミクスと時系列異常の特定の特性をキャプチャできない。 本稿では、予測と異常区間の時間的関係を組み込んだ新しい評価指標であるPATE(Proximity-Aware Time series anomaly Evaluation)を紹介する。 合成および実世界のデータセットを用いた実験は、より合理的で正確な評価を提供する上で、PATEの優位性を示している。
  論文  参考訳（メタデータ） (2024-05-20T15:06:36Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)

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。