論文の概要: On Unlearning for Time-series Forecasting

• arxiv url: http://arxiv.org/abs/2610.02865v1
• Date: Fri, 02 Oct 2026 06:03:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.237629
• Title: On Unlearning for Time-series Forecasting
• Title（参考訳）: 時系列予測の未学習について
• Abstract要約: 本稿では,時系列アンラーニングのためのResidual DiffusionフレームワークRDTUを提案する。 RDTUは一貫して、正確なリトレーニングに最も近い未学習のモデルを生産している。
• 参考スコア（独自算出の注目度）: 22.551344944210854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series forecasting is widely used in sensitive domains. Models in these settings are often trained on longitudinal user- or entity-level records, which may later require removal because they contain sensitive or proprietary information or have been corrupted by sensor failures. To address such deletion requests without costly retraining, machine unlearning has been widely studied as a practical mechanism for privacy protection and data governance. However, the application of machine unlearning to time series prediction has not yet been well realized; this is mainly due to the following unique challenges: Gradient-based unlearning can be unstable because a deleted observation participates in multiple causally connected forecasting windows, causing parameter updates to propagate beyond the requested interval and degrade retained forecasting utility. Label-guided updating offers a more controlled alternative, but continuous and context-dependent forecasts lack a suitable replacement target, while the exact-retrained output is unavailable during unlearning. Moreover, the remaining support for a deleted temporal pattern is highly non-uniform. Some affected windows retain structurally similar counterparts in the retained data, whereas others become underrepresented or isolated. We present RDTU, a Residual Diffusion framework for time-series unlearning. RDTU first uses a retained-set neural tangent kernel predictor to obtain a deletion-compatible base forecast. Then it quantifies the global and local structural support of each affected window using the volume contribution of the retained-reference data. Then a diffusion model generates a residual correction that estimates the counterfactual forecast, yielding a pseudo-label field that guides a lightweight model update. Experiments show that RDTU consistently produces unlearned models that most closely match exact retraining.
• Abstract（参考訳）: 時系列予測はセンシティブなドメインで広く使われている。 これらの設定のモデルは、しばしば縦方向のユーザーレベルまたはエンティティレベルのレコードでトレーニングされるが、それらは機密情報やプロプライエタリな情報を含んでいるか、センサーの故障によって破損しているため、後に削除を必要とする可能性がある。 このような削除要求に、コストのかかる再トレーニングなしに対処するために、プライバシ保護とデータガバナンスの実践的なメカニズムとして、機械学習が広く研究されている。 勾配に基づく非学習は、削除された観察が複数の因果接続された予測ウィンドウに参加するため不安定になり、パラメータ更新が要求間隔を超えて伝播し、保持された予測ユーティリティが劣化する。 ラベル誘導更新は、より制御された代替手段を提供するが、継続的およびコンテキスト依存の予測には、適切な代替ターゲットがない。 さらに、削除された時間パターンに対する残りのサポートは、非常に一様ではない。 影響を受けたウィンドウの中には、構造的に類似したデータを保持しているものもあれば、表現不足や孤立しているものもある。 本稿では,時系列アンラーニングのためのResidual DiffusionフレームワークRDTUを提案する。 RDTUはまず、削除互換のベース予測を得るために、保持セットのニューラルネットワークカーネル予測器を使用する。 そして、保持参照データのボリュームコントリビューションを用いて、影響を受ける各ウィンドウのグローバルおよびローカルな構造的サポートを定量化する。 そして、拡散モデルが反事実予測を推定する残差補正を生成し、軽量モデル更新を導く擬似ラベルフィールドを生成する。 実験の結果、RDTUは厳密なリトレーニングに最も近い未学習のモデルを一貫して生成していることがわかった。

関連論文リスト

• Pseudo-Label-Triggered Retraining from Forecast Errors for Online Time Series Forecasting [0.4069144210024563]
  PILOTは、予測エラーダイナミクスからいつ再トレーニングするかを学習するオンラインリトレーニングフレームワークである。 PILOTは、将来の予測エラーの増加から擬似ラベルを構築し、観察されたエラー状態から予測するために軽量スコアラーを訓練する。 PILOTは、良好なパフォーマンスと効率のトレードオフを維持しながら、リトレーニングポリシーの中で最先端の平均的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-09-30T14:10:20Z)
• Reviving Error Correction in Modern Deep Time-Series Forecasting [16.500802488173917]
  我々は,4つのバックボーンと10個のデータセットの補正精度とロバスト性を大幅に向上させる,季節軌道分解によるユニバーサルエラーコレクタ(UEC-STD)を導入する。 本研究は, 時系列モデルにおける自己回帰誤差の軽減に関する新たな知見を提供しつつ, 予測を向上するための実用的なツールを提供する。
  論文  参考訳（メタデータ） (2026-05-20T12:22:18Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• Beyond Observations: Reconstruction Error-Guided Irregularly Sampled Time Series Representation Learning [38.869433924831156]
  iTimERはISTS表現学習のための自己教師型フレームワークである。 観測されていないタイムスタンプをノイズ対応トレーニングターゲットに変換し、意味のある再構築信号を可能にする。 iTimERは、ISTS設定下での最先端メソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2025-11-10T08:53:10Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Generative Regression Based Watch Time Prediction for Short-Video Recommendation [36.95095097454143]
  短いビデオレコメンデーションシステムでは、時計の時間予測が重要なタスクとして現れている。 最近の研究は、連続時計時間推定を正規回帰タスクに変換することによって、これらの問題に対処しようとしている。 本稿では,WTPをシーケンス生成タスクとして再構成する新しい生成回帰(GR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T16:48:55Z)
• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)

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。