論文の概要: Least Squares for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.03812v1
• Date: Thu, 01 Oct 2026 18:03:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 05:04:48.009863
• Title: Least Squares for Time Series Forecasting
• Title（参考訳）: 時系列予測のための最小広場
• Abstract要約: 時系列予測は、シリーズの将来値に基づいて行われる。 LeNEPAのように、次の潜伏を遅らせる表現損失は、同じボトルネック上の別の最小二乗問題である。
• 参考スコア（独自算出の注目度）: 0.34757790689654594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A time-series forecast is scored on a future value of the series. A representation loss that regresses the next latent, as in LeNEPA, is a different least-squares problem on the same bottleneck. We write both programs down. The forecast program minimizes the error of a decoded latent on the coordinate that will be reported. For a scalar target and a linear decoder, every latent rank of at least one matches ordinary least squares, and an isotropy constraint is only a rescaling: after the decoder is refit, the forecast does not move. The other program fits the whole next vector at a fixed rank, then freezes the encoder and attaches a head. On a four-dimensional series whose last three coordinates are the same autoregression, that rank-1 fit puts mass $0.9998$ on the repeated coordinate and forecasts the remaining signal at the marginal variance $2.794$. The forecast program puts mass $1$ on the signal and matches the innovation variance $0.992$. Rank $2$ gives the vector fit a second direction, and the two programs agree. Iterating the fitted one-step coefficient $0.803$ raises the open-loop error from $0.992$ at one step to $2.700$ at eight steps.
• Abstract（参考訳）: 時系列予測は、シリーズの将来値に基づいて行われる。 LeNEPAのように、次の潜伏を遅らせる表現損失は、同じボトルネック上の別の最小二乗問題である。 私たちは両方のプログラムを書き留めます。 予測プログラムは、報告される座標上の復号されたラテントの誤差を最小限にする。 スカラーターゲットと線形デコーダの場合、少なくとも1つの潜在ランクは通常の最小二乗と一致し、等方性制約は単なる再スケーリングであり、デコーダが再適合した後は、予測は動かない。 他のプログラムは、次のベクター全体を一定のランクに適合させ、エンコーダを凍結し、ヘッドをアタッチする。 最後の3つの座標が同じ自己回帰である4次元級数において、ランク1の適合度は、繰り返し座標に0.9998$を割り当て、残りの信号は2.794$で予測する。 この予測プログラムは、信号に1ドルを割り当て、イノベーションのばらつきに0.992ドルをあてる。 2ドルのランクはベクターに第2の方向を与え、2つのプログラムは同意する。 装着されたワンステップ係数の0.803$を反復すると、オープンループ誤差は1ステップで0.992$から8ステップで2.700$に上昇する。

関連論文リスト

• One-Step Next-Latent Prediction Is Not a World Model [29.10344289549364]
  次の遅延予測は、現在の埋め込みから次の埋め込みへのマップに適合する。 LeNEPAはこの目的を時系列に伝え、次のエンベディング予測の停止段階をLeJEPAの異方性ペナルティに置き換える。
  論文  参考訳（メタデータ） (2026-09-28T20:24:50Z)
• A Convergence Framework for Deep $V$-Learning: Error Propagation and Sharp Action-Gap Bounds [0.0]
  更新エラーを、フィッティング、遷移再利用、ターゲット構築、リプレイ、アクション選択、探索の6つの残差に分解する。 次数$n-$の統計的誤差境界に対して、最適連続割り当てと、制約された最適値の係数2$以内の整数割り当てを導出する。 これらの結果から, FIFO/インターリーブされたSGDに対して, 厳密な動作スコアを有する固定水平生成-リセット近似-ERM法に対して, 期待されるポリシ-ロス一貫性が得られた。
  論文  参考訳（メタデータ） (2026-09-16T15:03:46Z)
• Certification cost of quantum models: measurement correlation, not parameter count [0.0]
  経験的フィッシャー行列を相対的なフロベニウス誤差と比較すると、回路の実行は$$(B p2 V/(varepsilon2 G))である。 コスト最適読み出し重量は、測定されたショットの予算をハードウェア上で2.67タイム($1.33$--4.00$)削減した。
  論文  参考訳（メタデータ） (2026-09-13T10:47:03Z)
• Decay versus dephasing in Rydberg analog optimization: exchange rate, mechanism, and schedule design [0.05427878000393745]
  ノイズレスリドバーグ原子最適化はデコヒーレンスとデフォーカスの観点から研究されている。 一階摂動理論はノイズのない伝播だけで$$を再現する。 コストモデル全体がノイズを伴わないため、ノイズのないシミュレーションをすることなく、スケジュールをデバイスのチャネルミックスに調整することができる。
  論文  参考訳（メタデータ） (2026-08-30T15:41:02Z)
• Round-Trip Consistency: Bidirectional Diffusion Models Can Predict Their Own Rollout Errors [51.56484100374058]
  自動回帰モデルは、長時間のロールアウトでエラーを蓄積しますが、デプロイ時には、それを測定するための基本的な真実はありません。 我々は、方向フラグを介して動的システムを前方または後方にステップする単一の条件付き潜在拡散モデルを訓練する。 この双方向性は測定不要なテスト時間誤差信号を提供することを示す。
  論文  参考訳（メタデータ） (2026-08-01T13:49:46Z)
• Improved Algorithm for Adversarial Linear Mixture MDPs with Bandit Feedback and Unknown Transition [71.33787410075577]
  線形関数近似,未知遷移,および逆損失を用いた強化学習について検討した。 我々は高い確率で$widetildeO(dsqrtHS3K + sqrtHSAK)$ regretを実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-07T15:03:50Z)
• Sharper Convergence Guarantees for Asynchronous SGD for Distributed and Federated Learning [77.22019100456595]
  通信周波数の異なる分散計算作業者のトレーニングアルゴリズムを示す。 本研究では,より厳密な収束率を$mathcalO!!(sigma2-2_avg!)とする。 また,不均一性の項は,作業者の平均遅延によっても影響されることを示した。
  論文  参考訳（メタデータ） (2022-06-16T17:10:57Z)
• Variance-Aware Sparse Linear Bandits [64.70681598741417]
  余分な線形包帯に対する最悪のミニマックスは$widetildeThetaleft(sqrtdTright)$である。 ノイズがなく、アクションセットが単位球面である良性設定では、ディビジョン・アンド・コンカーを使用して、$widetildemathcal O(1)$ regretを達成することができる。 我々は,任意の分散対応線形帯域幅アルゴリズムを分散対応線形帯域幅アルゴリズムに変換する汎用フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-05-26T15:55:44Z)
• Variance-Aware Confidence Set: Variance-Dependent Bound for Linear Bandits and Horizon-Free Bound for Linear Mixture MDP [76.94328400919836]
  線形バンドイットと線形混合決定プロセス(mdp)に対する分散認識信頼セットの構築方法を示す。 線形バンドイットに対しては、$d を特徴次元とする$widetildeo(mathrmpoly(d)sqrt1 + sum_i=1ksigma_i2) が成り立つ。 線形混合 MDP に対し、$widetildeO(mathrmpoly(d)sqrtK)$ regret bound を得る。
  論文  参考訳（メタデータ） (2021-01-29T18:57:52Z)
• Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
  学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。 i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
  論文  参考訳（メタデータ） (2020-07-16T06:44:44Z)

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。