論文の概要: GNA: Granular Neighbor Assembly for Retrieval-Augmented Multivariate Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.36281v1
• Date: Mon, 28 Sep 2026 21:12:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.016439
• Title: GNA: Granular Neighbor Assembly for Retrieval-Augmented Multivariate Time-Series Forecasting
• Title（参考訳）: GNA: 検索強化多変量時系列予測のための粒状近傍アセンブリ
• Abstract要約: 2つの粒度で隣人を組み立てるバックボーンを予測するための検索層であるGNAを提案する。 学習されたゲートは、予測ステップに従って、永続的な予測に対してこれらの未来をどの程度信頼するかを判断する。 すべてのモデルに対する同じ振り返りとすべてのデータセットに対する同じ検索定数により、GNAは96データセットホライゾン設定の85の2つのTransformerバックボーンを改善している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep forecasters predict from a fixed-length lookback window, and lengthening it gives diminishing returns at a growing cost. Retrieval augmentation instead shows the model how similar past situations continued. Retrieving a whole past window gives every variate the continuation of the same past moment. In multivariate series, however, the best past match differs from variate to variate. We present GNA (Granular Neighbor Assembly), a retrieval layer for forecasting backbones that assembles neighbors at two granularities: whole past windows, which keep the variates coherent, and per-variate neighbors, in which each variate takes its future from its own best-matching past. A learned gate decides, per forecast step and variate, how much to trust these futures against a persistence forecast, next to the backbone's own forecast. Candidates come from an embedding trained to predict each window's future, and retrieval is strictly causal: a past window is used only once its future has been observed. With the same lookback for every model and the same retrieval constants for all datasets, GNA improves two Transformer backbones in 85 of 96 dataset-horizon settings, gives the lowest MSE on 8 of 12 standard benchmarks and beats its backbone in every seed on 10 of them. Both granularities are needed, and neighbors of mismatched queries are worse than none. Retrieval helps most where the lookback says least: the gate shifts trust to retrieved futures further ahead. Where it fails, on hourly non-stationary series at long horizons, the loss is consistent with a drifting level of the retrieved futures.
• Abstract（参考訳）: 深い予測者は、固定長のルックバックウィンドウから予測し、それを延長することで、増大するコストでリターンを減少させる。 検索の強化は、過去の状況がいかに長く続いたかを示す。 過去のウィンドウ全体を取得することで、すべての変数が同じ過去のモーメントを継続する。 しかし、多変量級数では、最高の過去の試合は変量級から変量級に異なる。 GNA(Granular Neighbor Assembly)は、各変数が最強の過去から未来を奪取する、2つの粒度で隣人を組み立てるバックボーンを予測する検索層である。 学習されたゲートは、予測ステップに従って、バックボーン自身の予測の隣の永続的な予測に対して、これらの未来をどの程度信頼するかを決定する。 候補は、各ウィンドウの将来を予測するために訓練された埋め込みから来ており、検索は厳密に因果的であり、過去のウィンドウは、その未来が観測されたときにのみ使用される。 モデル毎に同じ振り返りとすべてのデータセットに対する同じ検索定数で、GNAは96のデータセット水平設定のうち85のトランスフォーマーバックボーンを改善し、12の標準ベンチマークのうち8の最低のMSEを与え、10のシードでそのバックボーンを打ち負かす。 どちらの粒度も必要であり、ミスマッチしたクエリの隣人はそれよりも悪い。 Retrievalは、ルックバックが最小限であるほとんどの場所で役立ちます。 失敗すると、長い地平線における時空の非定常級数では、損失は回収された未来のドリフトレベルと一致する。

関連論文リスト

• TFGformer: Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate Fusion [12.980172248250257]
  本稿では,形状認識メモリ(SAM)とRevIN正規化を統合した検索拡張予測フレームワークを提案する。 7つの公開ベンチマークの実験では、CrossRAGはパラメトリックのみのベースラインと既存の検索拡張予測手法の両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-31T14:24:26Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• Split Time Series into Patches: Rethinking Long-term Series Forecasting with Dateformer [17.454822366228335]
  時間は時系列の最も重要な特徴の1つだが、あまり注目されていない。 本稿では、上記のプラクティスに従うのではなく、モデリング時間に注意を向けるDateformerを提案する。 ディザフォーマーは、40%の顕著な相対的な改善で最先端の精度を達成し、最大信頼性予測範囲を半年レベルに拡大する。
  論文  参考訳（メタデータ） (2022-07-12T08:58:44Z)
• Time Series Forecasting (TSF) Using Various Deep Learning Models [0.0]
  時系列予測(TSF)は、過去の時刻からの学習に基づいて、将来の時刻でターゲット変数を予測するために使用される。 予測モデルの性能は、異なるルックバックウィンドウサイズと将来の予測に要する時間の違いの関数としてどのように変化するかを検討する。
  論文  参考訳（メタデータ） (2022-04-23T17:52:13Z)
• Low Rank Forecasting [0.0]
  我々は,過去の値を用いて,ベクトル時系列の未来の複数の値を予測する問題について考察する。 私たちの焦点は、低いランクの予測者であり、予測を2段階に分割することです。 予測整合性の概念を導入する。これは,異なるタイミングで同じ値の推定値が一貫したことを意味する。
  論文  参考訳（メタデータ） (2021-01-29T05:59:19Z)

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。