論文の概要: JudgeCast: Time Series Forecasting with Experience-Informed Covariate Judgements

• arxiv url: http://arxiv.org/abs/2609.36966v1
• Date: Tue, 29 Sep 2026 08:02:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.309632
• Title: JudgeCast: Time Series Forecasting with Experience-Informed Covariate Judgements
• Title（参考訳）: judgeCast: 経験豊富な共変量判断による時系列予測
• Abstract要約: judgeCastは、共変量による時系列予測のためのエクスペリエンスベースのフレームワークである。 明確なコワイズ判断を形成し、調整を決定する。 さまざまな現実世界のデータセットで強力なベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 10.70331958208187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Covariate effects vary across contexts and shift over time, requiring forecasters to assess how to use them for each forecasting context. As forecasting proceeds, observations for earlier forecasts become available, providing feedback on past covariate use for subsequent forecasts. However, when multiple covariates act together, the forecast error reveals the numerical discrepancy from the observation but not how the covariates should have been used. We introduce JudgeCast, an experience-based framework for time series forecasting with covariates. Following the judgmental adjustment practice, a frozen TSFM provides the base forecast, while a frozen LLM uses the current context and relevant experience to adjust it. Within the adjustment, assessing covariate effects and determining the numerical adjustment serve distinct roles, so JudgeCast first forms explicit covariate-wise judgments and then determines the adjustment. After observation, JudgeCast uses the observed residual of the base forecast to reconstruct alternative judgments and evaluates the original and alternatives through their resulting adjustments. The best-performing decision is selected and retained as validated experience for subsequent forecasts. Across diverse real-world datasets, JudgeCast outperforms strong baselines. Ablations show that explicit covariate-wise judgment can improve forecast-time adjustment, while residual-guided experience construction yields more reliable forecasting gains than retaining raw decisions as experience.
• Abstract（参考訳）: 共変量の影響はコンテキストによって異なり、時間とともに変化するため、予測者は予測コンテキスト毎にそれらを使用する方法を評価する必要がある。 予測が進むにつれて、以前の予測に対する観測が利用可能になり、その後の予測に対する過去の共変量の使用に関するフィードバックを提供する。 しかし、複数の共変量体が一緒に振る舞うと、予測誤差は観測と数値的な相違を明らかにするが、共変量体がどのように使われるべきであったかは明らかにしない。 我々は,共変量を用いた時系列予測のための経験ベースのフレームワークであるJiceCastを紹介する。 判断調整の後、凍ったTSFMがベース予測を提供し、凍ったLCMが現在の状況と関連する経験を使って調整する。 調整の中では、共変量効果を評価し、数値的な調整を決定することが、異なる役割を担っている。 観察後、ジャッジCastは、観測されたベース予測の残差を使用して、代替判断を再構築し、その結果の調整を通じて、原案と代替案を評価する。 最高のパフォーマンスの判定は選択され、その後の予測の検証された経験として保持される。 さまざまな現実世界のデータセットにわたって、JiceCastは強力なベースラインを上回ります。 アブレーションは、明示的共変量判断が予測時間調整を改善することを示し、一方、残留誘導経験構築は、生の判断を経験として保持するよりも、より信頼性の高い予測ゲインが得られることを示している。

関連論文リスト

• RATL: Learning from Retrieved Residuals for Robust Multivariate Time-Series Forecasting [5.438470957632042]
  本稿では,プラグイン残差検索およびフィードバック補正手法であるRATLを提案する。 RATLはベース予測器を凍結し、検索キーを構築し、その履歴予測残余をベースモデル固有の列車専用メモリに変換する。 実験により、過去の残余が現在の文脈と一致し、再利用可能な予測情報を含んでいることが示された。
  論文  参考訳（メタデータ） (2026-09-03T14:44:31Z)
• Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series [7.704601239153111]
  ABF-T-GLCPは非定常時系列の予測と不確実性定量化のためのモデルに依存しないフレームワークである。 予測モジュールは、学習ゲートを通じて地平線固有の時間的専門家を結合し、スパース予測転送を使用して予測を洗練する。 不確実性モジュールであるGate-Localized Conformal Predictionは、学習されたゲート状態と時間的回帰を利用して、局所的に関連するキャリブレーション残差を選択する。
  論文  参考訳（メタデータ） (2026-07-25T11:46:38Z)
• Probabilistic bias adjustment of seasonal forecasts using generative machine learning: A case study of Arctic sea ice predictions [0.0]
  北極海氷の季節変動予測に偏りの大規模なアンサンブルを生成する枠組みを開発した。 我々は、この枠組みを拡張して、予測における微細なエネルギーの損失と特徴的曖昧さに対処する。 調整した予測は、観測分布とより整合性があり、ベンチマーク予測よりも誤差が小さいことを示す。
  論文  参考訳（メタデータ） (2026-05-27T23:14:46Z)
• 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)
• TFRBench: A Reasoning Benchmark for Evaluating Forecasting Systems [52.91956121737963]
  我々は,予測システムの推論能力を評価するための最初のベンチマークであるTFRBenchを紹介する。 本稿では,反復的検証ループを用いて,数値的に基底となる推論トレースを合成するマルチエージェント・フレームワークを提案する。 評価は,この推論が因果的に有効であること,評価に有用であること,生成したトレースでLSMを誘導することにより,予測精度が大幅に向上することを確認した。
  論文  参考訳（メタデータ） (2026-04-07T03:04:45Z)
• Evaluating Weather Forecasts from a Decision Maker's Perspective [0.08594140167290099]
  我々は、機械学習と古典的な数値天気予報モデルを比較するために意思決定校正を評価する。 予測レベルでのモデル性能は、下流の意思決定における性能に確実に変換されないことがわかった。
  論文  参考訳（メタデータ） (2025-12-16T14:07:36Z)
• 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)
• Conditional Forecasts and Proper Scoring Rules for Reliable and Accurate Performative Predictions [1.1087735229999816]
  結果から分離した共変量に対する条件付け予測が,目標分布予測不変量となることを示す。 また, (i) 決定論的条件下では, 予測が分離された場合, 正しい予測とインセンティブに適合する予測が適用可能であること, (ii) 予測と対象変数の帰納分布の偏りの未偏り推定によるスコアが正しい予測をもたらすこと, の2つの解を同定した。 本結果は,従来の予測評価の基本的限界を明らかにし,信頼性と精度の高い予測を行うための新しいツールを提供する。
  論文  参考訳（メタデータ） (2025-10-24T10:59:21Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• 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)

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。