論文の概要: GARDiff: Graph-Aligned Residual Diffusion for Probabilistic Multivariate Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.37694v1
• Date: Tue, 29 Sep 2026 14:36:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.635513
• Title: GARDiff: Graph-Aligned Residual Diffusion for Probabilistic Multivariate Time-Series Forecasting
• Title（参考訳）: GARDiff:確率的多変量時系列予測のためのグラフ対応残差拡散
• Abstract要約: 最近の非結合拡散フレームワークは、予測を決定論的予測と残留生成に分離している。 この直接的構造移動は信頼できないことを示す。 GARDiff, Graph-Aligned Residual Diffusion frameworkを提案する。
• 参考スコア（独自算出の注目度）: 30.323771207824166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have recently shown strong potential for probabilistic multivariate time-series forecasting by modeling complex conditional distributions. Recent decoupled diffusion frameworks further separate forecasting into deterministic prediction and stochastic residual generation, making it natural to derive dependency graphs from deterministic representations and use them to guide residual diffusion. However, we show that this direct structural transfer is unreliable. Although deterministic-derived graphs encode useful global dependency priors, they exhibit substantial edge-level misalignment with residual dependency structures, introducing inaccurate or redundant conditions during residual generation. This reveals a previously overlooked deterministic-to-residual structural alignment problem in decoupled diffusion forecasting. To address this problem, we propose GARDiff, a Graph-Aligned Residual Diffusion framework for probabilistic multivariate time-series forecasting. Instead of treating deterministic-derived graphs as fixed diffusion conditions, GARDiff progressively adapts them to residual generation. Specifically, GARDiff estimates residual uncertainty to distinguish high- and low-uncertainty regions, enabling uncertainty-aware structural refinement, and further performs timestep-aware edge sparsification during reverse diffusion to evolve graph conditions from broad dependency aggregation to localized residual refinement. Extensive experiments on six real-world benchmarks demonstrate that GARDiff consistently improves probabilistic forecasting performance and uncertainty calibration over strong baselines.
• Abstract（参考訳）: 拡散モデルは最近、複素条件分布のモデル化による確率的多変量時系列予測の強い可能性を示している。 最近の非結合拡散フレームワークは、さらに予測を決定論的予測と確率的残差生成に分離し、従属グラフを決定論的表現から導き出し、残留拡散を導くのに使用するのが自然である。 しかし、この直接的構造移動は信頼できない。 決定論的に導かれるグラフは、有用な大域的依存を符号化するが、残差構造と相当なエッジレベルのミスアライメントを示し、残差生成の間に不正確な条件や冗長な条件をもたらす。 これは、非結合拡散予測において、以前見過ごされた決定論的から残留的な構造的アライメントの問題を明らかにする。 この問題に対処するために,確率的多変量時系列予測のためのグラフ適応残差拡散フレームワークであるGARDiffを提案する。 決定論的グラフを固定拡散条件として扱う代わりに、ガードディフはそれらを残留生成に徐々に適応させる。 具体的には、GARDiffは、高不確かさ領域と低不確かさ領域を区別するために残留不確かさを推定し、不確実性を認識した構造的洗練を可能にし、さらに、逆拡散中の時間ステップ対応エッジスペーシングを実行し、グラフ条件を広範囲依存集約から局所的残留精細化まで進化させる。 6つの実世界のベンチマークに関する大規模な実験は、GARDiffが強い基準線に対する確率予測性能と不確実性校正を一貫して改善していることを示している。

関連論文リスト

• NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates [2.0320459617688793]
  時系列予測モデルは、ハイテイクな設定で広く使われている。 既存のポストホック法はしばしば時間的依存を無視し、地平線固有の説明を提供しない。 本稿では,各予測地平線を時間的関係のある歴史的遅れに寄与させることで予測予測を説明するモデルに依存しない説明可能性フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-25T19:14:12Z)
• SPECTRA: State-Space Exogenous Context and Temporal-Frequency Resolution Architecture for Probabilistic Energy Forecasting [5.384896571539134]
  再生可能断続性、フレキシブルな需要、市場のボラティリティ、気象に依存した発生といった不確実性と相互作用する中で、現代の電力システムは確率的予測をますます要求している。 本稿では,一般確率エネルギー予測のための状態空間外在的コンテキストと時間周波数分解アーキテクチャを提案する。 負荷、価格、太陽、風速予測の実験は18設定中14項目で最高の連続的な順位の確率スコアを達成し、CRPSの平均は5.74%、上尾の量子リスクは7.27%減少する。
  論文  参考訳（メタデータ） (2026-07-22T13:58:17Z)
• ProbRes: Volatility Learning for Probabilistic Time-Series Forecasting [36.955187340949855]
  本稿では,確率予測にボラティリティのダイナミクスを明示的に学習し,組み込んだポストホック確率キャリブレーション手法ProbResを提案する。 ProbResは正確に予測分布をキャプチャし、よく校正された予測間隔を生成する。
  論文  参考訳（メタデータ） (2026-06-01T11:49:03Z)
• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• 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。