Fugu-MT 論文翻訳(概要): Dual-Context Analog Retrieval for Time Series Forecasting

論文の概要: Dual-Context Analog Retrieval for Time Series Forecasting

arxiv url: http://arxiv.org/abs/2610.03491v1
Date: Fri, 02 Oct 2026 15:54:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-06 00:14:30.461758
Title: Dual-Context Analog Retrieval for Time Series Forecasting
Title（参考訳）: 時系列予測のためのDual-Context Analog Retrieval
Abstract要約: DuoTSはDual-Context Time Series予測モデルである。我々はDuoTSが最先端のパフォーマンスを達成するのに対して、Ablationsはそれぞれのコンテキストの寄与を確認していることを示す。精製機構はモデルに依存しないため、符号化されたルックバックウィンドウと将来のパッチ位置のみを必要とする。
参考スコア（独自算出の注目度）: 8.591057149485675
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Most long-term time-series forecasting models map the look-back window directly to the full horizon in a single pass. While efficient, this design does not explicitly identify which historical states are most relevant to different future segments or exploit what followed those states. Analog forecasting addresses this by retrieving past states similar to the present and using their observed continuations, but single nearest matches can be unreliable and overlapping patches may produce redundant candidates. We propose DuoTS, a Dual-Context Time Series forecasting model that uses retrieved evidence without relying on it exclusively. DuoTS first produces a base forecast with a parallel patch encoder and linear prediction head, then progressively refines it one future patch at a time. Each refinement combines two views: a current context that attends to recent tokens and captures the latest dynamics, and a detail context that provides distinct retrieved analogs together with their subsequent trajectories. Patch-wise refinement allows the model to balance these views across the forecast horizon and associate each future segment with evidence appropriate to its temporal distance from the present. Experiments on multiple real-world datasets show that DuoTS achieves state-of-the-art performance, while ablations confirm the contribution of each context. The refinement mechanism is also model-agnostic, requiring only an encoded look-back window and the future-patch position, and can therefore be integrated into existing forecasting models.
Abstract（参考訳）: ほとんどの長期の時系列予測モデルは、ルックバックウィンドウを1回のパスで完全な水平線に直接マッピングする。効率的ではあるが、この設計では、どの歴史的状態が異なる将来のセグメントに最も関係しているかを明確に特定したり、それに続くものを悪用したりしない。アナログ予測は、現在の状態と類似した過去の状態を検索し、観測された継続を利用してこの問題に対処するが、最も近い1つのマッチは信頼性が低く、重複したパッチは冗長な候補を生成する可能性がある。得られた証拠を排他的に頼らずに活用するデュアルコンテキスト時系列予測モデルであるDuoTSを提案する。 DuoTSはまず、並列パッチエンコーダと線形予測ヘッドを備えたベース予測を生成し、その後、それを1回に1つの将来のパッチを徐々に洗練する。それぞれのリファインメントには、2つのビューが組み合わさっていて、現在のコンテキストは最近のトークンに近づき、最新のダイナミクスをキャプチャします。パッチワイズの改良により、モデルはこれらのビューを予測地平線を越えてバランスさせ、将来のセグメントを現在の時間的距離に適切な証拠と結びつけることができる。複数の実世界のデータセットの実験では、DuoTSが最先端のパフォーマンスを達成する一方で、各コンテキストのコントリビューションを確認することが示されている。改良機構はモデルに依存しないため、符号化されたルックバックウィンドウと将来のパッチ位置しか必要とせず、既存の予測モデルに統合することができる。

関連論文リスト

Learning to Plan from Random Exploration [52.35271095559327]
ランダム探索を用いて,目標が特定される前に,環境をどう移動させるかを示す。実験では、状態と画像を用いたランダムな探索から長距離迷路計画を示す。さらに、ランダムな探索からエゴセントリックなナビゲーションや、最適下データからの操作計画についても紹介する。
論文参考訳（メタデータ） (2026-09-29T18:38:49Z)
Semantics-Enhanced Retrieval-Augmented Time Series Forecasting [5.059121667323038]
時系列予測モデルは、しばしば歴史的パターンの恩恵を受ける。最近の研究は、予測を強化するために、関連する時系列セグメントを検索することを検討した。 textbfSemantics-textbfEnhanced textbfRetrieval-textbfAugmented Time Series textbfForecasting framework, SERAF。
論文参考訳（メタデータ） (2026-06-12T20:32:10Z)
Beyond Extrapolation: Knowledge Utilization Paradigm with Bidirectional Inspiration for Time Series Forecasting [81.44658512649633]
KUP-BIは、エンファントレインのみの歴史図書館から継続スタイルの知識を抽出する新しい時系列モデリングパラダイムである。最新モデルの予測性能を継続的に改善し、オーバーヘッドを小さくする。
論文参考訳（メタデータ） (2026-05-19T01:43:00Z)
Bridging Past and Future: Distribution-Aware Alignment for Time Series Forecasting [30.686607555300366]
時系列予測のための表現学習フレームワークであるTimeAlignを紹介する。我々は,過去と将来の表現を明示的に整列し,入力履歴と将来の目標との分布的ギャップを埋める。利得は主に、歴史的入力と将来の出力の間の周波数ミスマッチの修正から生じる。
論文参考訳（メタデータ） (2025-09-17T17:12:39Z)
ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
論文参考訳（メタデータ） (2025-09-07T13:57:14Z)
When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。その結果,マルチモーダリティの利点は条件に依存していることが判明した。我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
論文参考訳（メタデータ） (2025-06-20T23:55:56Z)
Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [51.01356105618118]
時系列はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。既存のアプローチでは、通常、これらのさまざまなパターンをキャプチャするために単一のモデルをトレーニングするが、しばしばパッチ間のパターンのドリフトに苦労する。より正確で適応可能な時系列予測にパターン特化の専門家を活用する新しいアーキテクチャであるTFPSを提案する。
論文参考訳（メタデータ） (2024-10-13T13:35:29Z)
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)
Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-01T09:52:31Z)

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。