論文の概要: Correct then Forecast: Observer State-Space Models for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.33566v1
• Date: Sun, 27 Sep 2026 13:40:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 15:42:15.410473
• Title: Correct then Forecast: Observer State-Space Models for Time Series Forecasting
• Title（参考訳）: 時系列予測のためのオブザーバ状態空間モデル
• Abstract要約: 時系列予測のためのオブザーバ状態空間モデル(OSSM)を紹介する。 OSSMは測定同化から潜在状態の伝播を分離する。 また,OSSMは,対応するSSMベースラインと同じパラメータ数とトレーニング設定を維持しつつ,大幅な改善を実現していることを示す。
• 参考スコア（独自算出の注目度）: 3.810388351528255
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Time series forecasting requires extrapolating the dynamics of an observed process beyond the last available measurement. Yet recurrent forecasting models typically treat observations as inputs that directly control their latent dynamics. It leads to a regime change when these observations become unavailable at prediction time. Following a state-estimation perspective, we introduce Observer State-Space Models (OSSMs), a class of recurrent models that interprets the observed input time series as measurements of an underlying autonomous dynamical system. OSSMs explicitly separate latent-state propagation from measurement assimilation: a single transition governs the dynamics across both context and forecasting intervals, while available observations correct the estimated state through an observer. This formulation naturally exposes classical control-theoretic properties, including observability and convergence of the state estimation error. We further show that conventional and recent SSMs can be recovered as particular instances of our OSSM framework, thereby providing a unified interpretation of their recurrent dynamics and revealing modeling inconsistencies. We perform experiments across several benchmarks showing that OSSM achieves substantial improvements while maintaining the same parameter count and training setup as the corresponding SSM baseline. These results support a simple principle for recurrent forecasting: observations should correct the estimated latent state, rather than control the dynamics used to propagate it.
• Abstract（参考訳）: 時系列予測では、観測されたプロセスのダイナミクスを最後の測定範囲を超えて外挿する必要がある。 しかし、リカレント予測モデルは通常、観測を潜在力学を直接制御する入力として扱う。 これらの観測が予測時に利用できなくなると、状況が変わる。 状態推定の観点に従うと、観測された入力時系列を基礎となる自律力学系の測定として解釈する再帰モデルのクラスであるオブザーバ状態空間モデル(OSSM)を導入する。 OSSMは、測定同化から潜在状態の伝播を明示的に分離する: 単一の遷移は、観測者を通して推定状態を修正する一方で、文脈と予測間隔の両方にわたるダイナミクスを統制する。 この定式化は、観測可能性や状態推定誤差の収束を含む古典的な制御理論的性質を自然に公開する。 さらに,従来および最近のSSMをOSSMフレームワークの特定のインスタンスとして復元できることを示し,その再帰的力学の統一的な解釈とモデリングの不整合を明らかにする。 我々は,OSSMが対応するSSMベースラインと同じパラメータ数とトレーニング設定を維持しつつ,大幅な改善を実現することを示す複数のベンチマークで実験を行った。 これらの結果は、リカレント予測の単純な原理を支持する: 観測は、それを伝播するのに使用される力学を制御するのではなく、推定潜在状態を補正すべきである。

関連論文リスト

• WorldTS: World Modeling for Multimodal Covariate-aware Time Series Forecasting [29.02434506353528]
  時系列予測は通常、観測空間における歴史的な観測から将来の観測への直接的なマッピングを学ぶものである。 近年の潜時空間予測手法は, 過去の観測の潜時空間表現から将来の観測を予測することにより, 性能の向上を実現している。 マルチモーダルな共変量を直接予測に組み込む世界モデリングベースの予測フレームワーク WorldTS を提案する。
  論文  参考訳（メタデータ） (2026-09-25T11:54:18Z)
• Existence Precedes Value: Joint Modeling of Observational Existence and Evolving States in Time Series Forecasting [15.993594186846826]
  実世界の時系列は、しばしばセンサーの休眠、送信遅延、イベント駆動サンプリングのために、非常に不完全で不規則である。 タイムフライ(Timeflies)は、将来の観測可能性推定と価値推定の連立問題として予測を再構築する統合されたフレームワークである。
  論文  参考訳（メタデータ） (2026-06-11T16:59:42Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint [12.638698799995815]
  本稿では,Voronoi Tessellation (DSOVT) フレームワークを用いたスパース観測からの動的システム予測について紹介する。 ボロノイテッセルレーションと深層学習モデルを統合することで、DSOVTは疎く非構造的な観測で力学系の予測に適している。 純粋にデータ駆動モデルと比較して、我々の物理学に基づくアプローチは、明示的に定式化された力学の中で物理法則を学習することができる。
  論文  参考訳（メタデータ） (2024-08-31T13:43:52Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Neural Continuous-Discrete State Space Models for Irregularly-Sampled Time Series [18.885471782270375]
  NCDSSMは補助変数を用いて力学からの認識をアンタングルし、補助変数のみに償却推論を必要とする。 本稿では、潜在力学の3つのフレキシブルパラメータ化と、推論中の動的状態の辺りを生かした効率的な学習目標を提案する。 複数のベンチマークデータセットの実証結果は、既存のモデルよりもNCDSSMの計算性能と予測性能が改善されたことを示している。
  論文  参考訳（メタデータ） (2023-01-26T18:45:04Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。