論文の概要: From HL to H+L-1 Parameters: A Hankel-Toeplitz Forecaster for Long-Term Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.33984v1
• Date: Sun, 27 Sep 2026 22:35:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 08:05:27.784467
• Title: From HL to H+L-1 Parameters: A Hankel-Toeplitz Forecaster for Long-Term Time Series Forecasting
• Title（参考訳）: HLからH+L-1パラメータ:長期時系列予測のためのHankel-Toeplitz予測器
• Abstract要約: 本研究では,従来の定常予測理論により,よりコンパクトな線形予測器のパラメータ共有を導出する方法について検討する。 我々のHankel-Toeplitz Forecasterは、逆フィルタと予測マップの両方を定義するインパルス応答を学習する。
• 参考スコア（独自算出の注目度）: 7.309983740889802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Linear forecasters have shown competitive accuracy against Transformer-based models in long-term time series forecasting. We study how classical stationary prediction theory can guide parameter sharing for more compact linear forecasters. For centered second-order stationary processes with nonsingular history covariance, the minimum-MSE finite-window linear predictor factors into a Hankel cross-covariance matrix and an inverse Toeplitz covariance matrix. Shared lags and scale cancellation specify this predictor using $H+L-1$ autocorrelations for lookback $L$ and horizon $H$. Building on the innovations representation, our Hankel-Toeplitz Forecaster (HTF) learns one impulse response that defines both an inverse filter and a forecast map. We characterize the finite-history correction and, under summability assumptions, bound the excess risk of truncating the true filters. HTF uses $H+L-1$ trainable coefficients while allowing a full-rank forecasting matrix. Across seven benchmarks at $L=336$, its horizon-averaged MSE is within 1.2% of Dense Linear on each dataset with 75-229 times fewer trainable parameters.
• Abstract（参考訳）: 線形予測器は、長期連続予測においてトランスフォーマーベースのモデルと競合する精度を示した。 本研究では,従来の定常予測理論により,よりコンパクトな線形予測器のパラメータ共有を導出する方法について検討する。 非特異な歴史共分散を持つ中心的2階定常過程に対して、最小MSE有限ウィンドウ線形予測因子はハンケル交共分散行列と逆Toeplitz共分散行列に変換される。 共有遅延とスケールキャンセルは、ルックバック$L$とホライズン$H$のために$H+L-1$自動相関を使ってこの予測子を指定する。 イノベーション表現に基づいて、HTF(Hankel-Toeplitz Forecaster)は、逆フィルタと予測マップの両方を定義するインパルス応答を学習する。 有限履歴補正を特徴付け、要約可能性仮定の下では、真のフィルタを切断する余剰リスクを負う。 HTFはフルランク予測行列を許容しながら、訓練可能な係数として$H+L-1$を使用する。 L=336$の7つのベンチマークで、その地平線平均MSEは、各データセット上のDense Linearの1.2%以内であり、トレーニング可能なパラメータの75～229倍少ない。

関連論文リスト

• Prediction-Assisted Pricing and Admission for LLM APIs with Stochastic Token Consumption [0.0]
  LLMアプリケーションは、複数のサービス製品を販売したり、内部的に割り当てたりすることが多い。 価格が購入確率を変更し、トークンキャップがユーザ値とリソース消費のテールの両方を変更する。 オンラインの信頼区間とオフラインの予測区間を交差する予測クラッピング UCB を提案する。
  論文  参考訳（メタデータ） (2026-09-01T04:40:34Z)
• Bandit Convex Optimization with Gradient Prediction Adaptivity [56.816177049016794]
  本研究では, 楽観的な勾配予測が, 最悪の後悔の保証を予測順応的に改善できるかどうかを考察する。 鍵となるアイデアは、分散が勾配ノルムではなく予測誤差でスケールする、新しい分散還元勾配推定器である。 我々は、$(sqrtmathbbE[S_T])$としてスケールする情報理論の下限を確立し、最も達成可能な予測適応的後悔の基本的な特徴を提供する。
  論文  参考訳（メタデータ） (2026-05-21T08:57:38Z)
• Regularized Online RLHF with Generalized Bilinear Preferences [68.44113000390544]
  一般的な嗜好を伴う文脈的オンラインRLHFの問題を考える。 一般化された双線形選好モデルを用いて、低ランクなスキュー対称行列による選好を捉える。 グリーディポリシーの双対ギャップは推定誤差の正方形によって有界であることを示す。
  論文  参考訳（メタデータ） (2026-02-26T15:27:53Z)
• Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
  自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。 任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。 本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-19T17:21:15Z)
• Robust Layerwise Scaling Rules by Proper Weight Decay Tuning [50.11170157029911]
  現代のスケール不変アーキテクチャでは、トレーニングは急速に劣化したグラデーション状態に入る。 我々は,AdamWに対して,幅をまたいだサブ層ゲインを保ったウェイトデカイスケーリングルールを導入する。 この結果は,パラメータが設定した定常スケールを明示的に制御することにより,ほぼ入出力体制を超えて$mu$Pを拡大する。
  論文  参考訳（メタデータ） (2025-10-17T02:58:35Z)
• Non-Asymptotic Analysis of Efficiency in Conformalized Regression [17.873283539065387]
  我々は,SGDを用いてトレーニングされた共形量子化および中央値回帰のためのオラクル間隔長からの予測セット長のずれに関する非漸近的境界を確立する。 その結果, 収束速度の位相遷移を$alpha$の異なる規則で同定し, 余剰予測セット長を制御するためにデータを割り当てるためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-10-08T14:50:35Z)
• Outcome-based Reinforcement Learning to Predict the Future [1.4313866885019229]
  コンパクトな(14B)推論モデルは、o1のようなフロンティアモデルの予測精度に適合または超えるように訓練可能であることを示す。 ポリマーケットのトレーディングシミュレーションでは、その賭けが10%以上の投資のリターンをもたらすと見積もっている。
  論文  参考訳（メタデータ） (2025-05-23T14:56:07Z)
• Computational-Statistical Tradeoffs at the Next-Token Prediction Barrier: Autoregressive and Imitation Learning under Misspecification [50.717692060500696]
  対数損失を伴う次のトーケン予測は自己回帰シーケンスモデリングの基盤となる。 次トーケン予測は、適度な誤差増幅を表す$C=tilde O(H)$を達成するために堅牢にすることができる。 C=e(log H)1-Omega(1)$。
  論文  参考訳（メタデータ） (2025-02-18T02:52:00Z)
• Complexity of Vector-valued Prediction: From Linear Models to Stochastic Convex Optimization [27.33243506775655]
  凸とリプシッツ損失関数の基本的な場合に焦点を当てる。 本稿では,この問題の複雑さと関連する学習モデルとの関連性に光を当てた,いくつかの新たな理論的結果を示す。 結果は,ベクトル値線形予測の設定を,広範に研究されている2つの異なる学習モデル間のブリッジングとして表現した。
  論文  参考訳（メタデータ） (2024-12-05T15:56:54Z)
• Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
  学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。 i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
  論文  参考訳（メタデータ） (2020-07-16T06:44:44Z)

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。