論文の概要: Retrieval Is Not Enough: Refreshing Memory for Frozen Time-Series Forecasters

• arxiv url: http://arxiv.org/abs/2610.07834v1
• Date: Tue, 06 Oct 2026 06:33:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.845077
• Title: Retrieval Is Not Enough: Refreshing Memory for Frozen Time-Series Forecasters
• Title（参考訳）: Retrievalは、凍結した時系列予測のためのメモリのリフレッシュ
• Abstract要約: 予測器の凍結を保ち、非パラメトリックメモリを継続的に更新し、検証セグメント上の閉じた形で重みを校正するフレームワークであるFreshCastを提案する。 評価された予測値と入力長毎の平均MSEを,96,720の入力長で14.6%,5.6%削減し,評価された検索およびオンラインベースラインよりも低いMSEを実現することを示す。
• 参考スコア（独自算出の注目度）: 11.07710401918092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-augmented time-series forecasting uses the continuations of historical segments similar to the current context as references for a forecaster. Most existing methods build the retrieval memory once from the training segment, leaving observations revealed after deployment unavailable as references, and generally do not calibrate how much the retrieved information should influence a frozen forecaster. We identify two key determinants of retrieval utility for a frozen forecaster: whether the history still reflects the current state, and whether the correction it induces aligns with the forecaster's residual errors, an alignment that can shift between validation and deployment when the memory becomes stale. We propose FreshCast, a plug-in retrieval framework that keeps the forecaster frozen, continuously updates a non-parametric memory with new observations, forms a memory forecast through relational kernel regression, and calibrates its weight in closed form on the validation segment. Under a simplified generative model, we characterize the optimal combination gain through the second-order relation between forecaster error and memory correction, and show that a sufficiently long look-back can make periodic memory information redundant. Across seven benchmarks and ten forecasting architectures, FreshCast reduces average MSE for every evaluated forecaster and input length, by 14.6% and 5.6% at input lengths 96 and 720, and achieves lower MSE than the evaluated retrieval-augmented and online baselines in their comparison settings. Ablations show that freezing the memory at the end of training removes most of the gain, identifying post-training observations as a primary source of improvement. For a frozen forecaster, useful historical references must remain timely and provide information that helps correct its remaining errors.
• Abstract（参考訳）: Retrieval-augmented Time-Series forecastingは、現在の文脈に似た歴史的セグメントの継続を、予測器の参照として利用する。 既存のほとんどの手法では、トレーニングセグメントから一度だけ検索メモリを構築し、デプロイ後に参照できないことが判明したままにしておく。 凍結予測器における検索ユーティリティの2つの重要な決定要因は、履歴が現在の状態を反映しているか、その補正が予測器の残差エラーと一致しているか、メモリが不安定になったときに検証と配置を切り替えることができるアライメントである。 提案するプラグイン検索フレームワークであるFreshCastは,予測器の凍結を保ち,非パラメトリックメモリを新しい観測で継続的に更新し,リレーショナルカーネルの回帰を通じてメモリ予測を作成し,検証セグメント上でその重みをクローズドな形で校正する。 簡易な生成モデルの下では、予測器エラーとメモリ修正の2次関係を通して最適な組み合わせゲインを特徴づけ、十分に長い見返りが周期記憶情報を冗長にすることを示す。 7つのベンチマークと10の予測アーキテクチャで、FreshCastは評価された予測値と入力長の平均MSEを、96と720の入力長で14.6%と5.6%削減し、比較設定で評価された検索およびオンラインベースラインよりも低いMSEを達成する。 アブレーションは、トレーニングの終わりに記憶を凍結すると、ほとんどの利得が失われ、トレーニング後の観察が主要な改善の源であることを示している。 凍結予測器の場合、有用な履歴参照はタイムリーに保たれ、残りのエラーを修正するのに役立つ情報を提供する必要がある。

関連論文リスト

• On Unlearning for Time-series Forecasting [22.551344944210854]
  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。
  論文  参考訳（メタデータ） (2026-10-02T06:03:44Z)
• Learning What to Recall: Adaptive Multi-Cue Episodic Memory for World Models [82.99807299727796]
  本稿では,将来認識型予測監視からエピソードリコールを学習するフレームワークであるFuture-Aware Recall (FAR)を提案する。 FARは、リコールされたコンテキストの条件付きログ類似度による予測ユーティリティを計測する。 キュー固有の関連性を学び、時間、ポーズ、ビジョン、オーディオなどの利用可能な検索キューを自動的に決定し、クエリ毎に信頼する。
  論文  参考訳（メタデータ） (2026-09-28T09:07:39Z)
• RATL: Learning from Retrieved Residuals for Robust Multivariate Time-Series Forecasting [5.438470957632042]
  本稿では,プラグイン残差検索およびフィードバック補正手法であるRATLを提案する。 RATLはベース予測器を凍結し、検索キーを構築し、その履歴予測残余をベースモデル固有の列車専用メモリに変換する。 実験により、過去の残余が現在の文脈と一致し、再利用可能な予測情報を含んでいることが示された。
  論文  参考訳（メタデータ） (2026-09-03T14:44:31Z)
• REER-PT: Reverse-Engineered Reasoning for Perplexity-Guided Pre-training Data Augmentation [64.84437332310516]
  我々は,Reverse-Engineered Reasoning (REER) を生の事前学習データに拡張するスケーラブルなフレームワークである textbfREER-PT を紹介する。 REER-PTは予測が難しいが、それ以前のコンテキストから推論できる継続を識別し、コンテキストと継続の間の欠落した接続を再構築する簡潔な推論アノテーションを挿入する。 このスパース変換は、ソーステキストを保存し、トレーニング前のオンライン推論ロールアウトを避けることで、標準的な次世代の予測と互換性を維持します。
  論文  参考訳（メタデータ） (2026-08-31T11:34:19Z)
• KReF: Training-Free Retrieval for Long-Term Time-Series Forecasting and Predictive Uncertainty [8.44268644654703]
  本研究では,検索履歴をクエリローカルな経験的予測分布として扱う,学習不要な検索フレームワークを提案する。 KReFは統計や凍結したランダムなフーリエ特徴を使って各ルックバックを埋め込んで、同様の過去のルックバックとフューチャーのペアを検索する。 その類似度重みは、予測質量、量子化、CRPS、重み付き平均点予測を直接定義する。
  論文  参考訳（メタデータ） (2026-08-07T03:16:25Z)
• ForecastCompass: Guiding Agentic Forecasting with Adaptive Factor Memory [28.100237569490996]
  エージェント予測のための適応係数ベースのメモリフレームワークであるForecast(FoCo)を提案する。 FoCoは階層的な予測タスク分類で予測経験を整理し、タスク関連予測知識の検索を可能にする。 GPT-5-miniとGemini-2.5-Flashによる予言的アリーナとFutureXの実験では、FoCoは確率的精度とキャリブレーションの両方を改善している。
  論文  参考訳（メタデータ） (2026-05-29T05:30:17Z)
• TS-Memory: Plug-and-Play Memory for Time Series Foundation Models [63.21390142212087]
  Time Series Foundation Models (TSFM) は大規模な事前訓練を通じて強力なゼロショット予測を実現する。 パラメトリック適応は破滅的な忘れを招き、非パラメトリック検索は予測を改善するが、データストア検索によってレイテンシが高くなる。 本稿では, TSFM を拡張した軽量メモリアダプタ TS-Memory としてParametric Memory Distillation を提案し,実装する。
  論文  参考訳（メタデータ） (2026-02-12T04:16:19Z)
• 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)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Retrieval Based Time Series Forecasting [37.48394754614059]
  時系列データは、スマートトランスポートや環境モニタリングなど、さまざまなアプリケーションに現れる。 時系列解析の基本的な問題の1つは時系列予測である。 理論的にも実証的にも,関連する時系列を参照として検索することで,不確実性を効果的に低減できることを示す。
  論文  参考訳（メタデータ） (2022-09-27T16:43:55Z)

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。