論文の概要: Most-Recent Anchoring with Recurrent Ordering for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.03494v1
• Date: Fri, 02 Oct 2026 15:55:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.463483
• Title: Most-Recent Anchoring with Recurrent Ordering for Time Series Forecasting
• Title（参考訳）: 時系列予測におけるリカレントオーダによる直近のアンカリング
• Abstract要約: 最新のパッチから最も古いパッチまでのルックバックウィンドウを処理するモデルを提案する。 単一の共有モジュールはすべてのステップで再利用されるため、スキャンをさらに過去のものに拡張することは、追加のパラメータを導入しない。 実験により,MAROは長期および短期の予測タスクにおいて,最先端の性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 8.591057149485675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term forecasting models commonly process all patches in a look-back window using the same fixed stack. Older contextual patches and recent evidence therefore receive the same computational depth. Yet the information closest to the forecast and the more distant context do not contribute equally. Uniform processing leaves this distinction unexpressed in the architecture. We propose MARO, a Most-Recent Anchoring with Recurrent Ordering model that processes the look-back window from the most recent patch to the oldest. The most recent patch serves as the anchor. It initializes the latent state and conditions each subsequent step, so older patches are folded into a representation that remains centered on recent evidence. A single shared module is reused at every step, so extending the scan further into the past introduces no additional parameters. Intermediate states retained during the scan allow the forecast head to weigh short and long portions of the history separately. This expresses recency through the order of recurrent refinement. Extensive experiments across multiple real-world time series datasets show that MARO achieves state-of-the-art performance on both long-term and short-term forecasting tasks.Ablation studies examine the contribution of the main architectural components.
• Abstract（参考訳）: 長期予測モデルは、通常、すべてのパッチを同じ固定スタックを使用してルックバックウィンドウで処理する。 古い文脈パッチや最近の証拠は計算深度が同じである。 しかし、予測に最も近い情報とより遠い文脈は等しく寄与しない。 統一処理では、この区別はアーキテクチャでは表現されない。 直近のパッチから最も古いパッチへのルックバックウインドウを処理可能な,リカレントオーダリングモデルであるMAROを提案する。 最新のパッチはアンカーとして機能している。 後続のステップごとに潜伏状態と条件を初期化するので、古いパッチは最近の証拠を中心とした表現に折り畳まれる。 単一の共有モジュールはすべてのステップで再利用されるため、スキャンをさらに過去のものに拡張することは、追加のパラメータを導入しない。 スキャン中に保持された中間状態により、予測ヘッドは歴史の短所と長所を別々に重くすることができる。 これは再帰的な改善の順序によって、リレーレンシーを表現する。 複数の実世界の時系列データセットを対象とした大規模な実験により、MAROは長期および短期の予測タスクにおいて最先端のパフォーマンスを達成し、主要なアーキテクチャコンポーネントの寄与について検討した。

関連論文リスト

• Dual-Context Analog Retrieval for Time Series Forecasting [8.591057149485675]
  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。
  論文  参考訳（メタデータ） (2026-10-02T15:54:56Z)
• Memory Control Signals Emerge Before Action in Long Horizon Agents [55.84813053778976]
  各エージェントアクションの直前に隠された状態を調べ、圧縮とリコールの要求がモデルの内部表現にすでにエンコードされていることを確認する。 本研究では,状態誘導圧縮と外部エビデンス検索を組み合わせたPreaction Memory with Evidence Retrieval (PaMER)を提案する。
  論文  参考訳（メタデータ） (2026-09-23T03:23:34Z)
• Does Joint-Embedding Predictive Architecture Pretraining Help Time Series Forecasting? [78.40490439627504]
  時間的および時間的予測にまたがる9つのバックボーン11ベンチマークにおけるJEPAのインスタンス化を評価した。 このインスタンス化の利点はバックボーンによって大きく異なり、同じデータセットであっても、いくつかのアーキテクチャで一貫性のある一貫した利得が得られます。
  論文  参考訳（メタデータ） (2026-09-16T10:31:01Z)
• SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent [51.274445160155864]
  ロングホライゾンのエージェント推論は、思考、ツールコール、観察、部分的な結論を含む長い相互作用履歴を通して行動するために大きな言語モデルを必要とする。 既存のアプローチでは、インタラクション履歴の切り抜き、短いサロゲートに圧縮、あるいは再利用のために選択した部分を取得することで、この問題に対処している。 我々は、インテント駆動リコールのための生のトラジェクトリページを保持しながら、継続的なインタラクションをコンパクトなメモリキューに統合するスタンドアロンフレームワークであるState-Adaptive Memoryを提案する。
  論文  参考訳（メタデータ） (2026-05-23T08:37:16Z)
• 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)
• StateSpaceDiffuser: Bringing Long Context to Diffusion World Models [52.92249035412797]
  本稿では、状態空間モデルから機能を統合することで、拡散モデルが長時間コンテキストタスクの実行を可能にするStateSpaceDiffuserを紹介する。 この設計は拡散モデルの高忠実性合成を保ちながら長期記憶を復元する。
  論文  参考訳（メタデータ） (2025-05-28T11:27:54Z)
• Enhancing Channel-Independent Time Series Forecasting via Cross-Variate Patch Embedding [1.1607669836339873]
  チャネル非依存(CI)モデルにクロスバリアントコンテキストを注入する軽量CDモジュールとして,CVPE(Cross-Variate Patch Embeddings)を提案する。 CVPEをマルチモーダルCI予測モデルであるTime-LLMに統合し,その有効性を示す。
  論文  参考訳（メタデータ） (2025-05-19T06:41:14Z)
• 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)

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。