論文の概要: Are We Really Benchmarking Forecasting Models? The Impact of Preprocessing on Time Series Performance

• arxiv url: http://arxiv.org/abs/2610.09096v1
• Date: Tue, 06 Oct 2026 20:50:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.60129
• Title: Are We Really Benchmarking Forecasting Models? The Impact of Preprocessing on Time Series Performance
• Title（参考訳）: 予測モデルのベンチマークは本当に行われているか? 前処理が時系列パフォーマンスに及ぼす影響
• Abstract要約: 現代のベンチマークでは、差分のような非定常性に対処するために必要な重要な変換を説明できない。 この省略は、ビルトインデータ処理のモデルを好む構造的前処理バイアスを生じさせる。 16の可逆的前処理パイプラインにおける11の予測モデルを評価する前処理対応ベンチマークを用いて,この効果について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While established literature underscores the pivotal role of preprocessing in forecasting accuracy, this stage remains largely overlooked in current research. Modern benchmarks typically resort to simple scaling, failing to account for critical transformations required to address nonstationarity, such as differencing. This omission creates a significant structural preprocessing bias that favors models with built-in data treatments while obscuring the true potential of simpler architectures. We study this effect through a preprocessing-aware benchmark that evaluates 11 forecasting models across 16 reversible preprocessing pipelines on 29,000 M4 time series. Our results identify preprocessing as a key driver of forecasting performance. Optimizing preprocessing per series yields gains of approximately 27\% to 87\% across all evaluated models, with architectures lacking internalized preprocessing experiencing the most substantial improvements. This allows simpler architectures to become highly competitive with complex, state-of-the-art models in modern forecasting benchmarks. All resources and experimental results from this benchmark are stored in a comprehensive metadataset to support future metalearning tasks.
• Abstract（参考訳）: 確立された文献では、予測精度において前処理が重要な役割を担っているが、この段階は現在もほとんど見過ごされている。 現代のベンチマークは一般的に単純なスケーリングを頼りにしており、差分のような非定常性に対処するために必要な重要な変換を考慮できない。 この欠落は、単純なアーキテクチャの真の可能性を見極めつつ、組み込みデータ処理のモデルを好む重要な構造的前処理バイアスを生み出します。 29,000M4の時系列上で、16の可逆的前処理パイプラインにおける11の予測モデルを評価する前処理対応ベンチマークを用いて、この効果を検証した。 この結果から,前処理が予測性能の重要な要因であることがわかった。 シリーズごとの事前処理の最適化は、すべての評価モデルで約27～87倍の利得を得るが、内部的な事前処理を欠いたアーキテクチャは、最も実質的な改善を経験する。 これにより、より単純なアーキテクチャは、現代的な予測ベンチマークにおいて、複雑な最先端のモデルと高い競争力を持つことができる。 このベンチマークのすべてのリソースと実験結果は、将来のメタ学習タスクをサポートするために、包括的なメタデータセットに格納されます。

関連論文リスト

• Foundation Models and Fine-Tuning: Toward a New Generation of Models for Time Series Forecasting [26.28141834580785]
  ファンデーションモデルはゼロショット時系列予測のための有望なパラダイムとして登場した。 それらは、多種多様な時系列のコレクションで事前訓練され、点予測と確率予測の両方をサポートする一般化可能な表現を学ぶ。 このアプローチは、データセット固有のモデル設計と手動チューニングの必要性を軽減し、予測問題にまたがる統一されたソリューションを提供する。
  論文  参考訳（メタデータ） (2026-07-25T10:55:06Z)
• Modèles de Fondation et Ajustement : Vers une Nouvelle Génération de Modèles pour la Prévision des Séries Temporelles [26.28141834580785]
  ゼロショット時系列予測のための基礎モデルが開発されている。 これらのモデルは点予測と確率予測の両方に対して一般化可能な表現を学ぶ。 プレトレーニング後の微調整が特定のデータセットに与える影響について検討した。
  論文  参考訳（メタデータ） (2025-11-27T18:19:20Z)
• Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
  本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。 提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-09-08T17:58:06Z)
• TimeRecipe: A Time-Series Forecasting Recipe via Benchmarking Module Level Effectiveness [21.753566949357026]
  TimeRecipeはモジュールレベルで時系列予測メソッドを体系的に評価するフレームワークである。 TimeRecipeは、個々のコンポーネントの有効性を評価するために、1万以上の実験を行います。 以上の結果から,設計空間の徹底的な探索により,既存の最先端手法よりも優れたモデルが得られることがわかった。
  論文  参考訳（メタデータ） (2025-06-06T19:11:48Z)
• Are Self-Attentions Effective for Time Series Forecasting? [4.990206466948269]
  時系列予測は、複数のドメインやさまざまなシナリオにわたるアプリケーションにとって不可欠である。 近年の研究では、より単純な線形モデルは、複雑なトランスフォーマーベースのアプローチよりも優れていることが示されている。 我々は、新しいアーキテクチャ、クロスアテンションのみの時系列変換器(CATS)を導入する。 提案モデルでは,平均二乗誤差が最小であり,既存のモデルに比べてパラメータが少ないため,性能が向上する。
  論文  参考訳（メタデータ） (2024-05-27T06:49:39Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Never Train from Scratch: Fair Comparison of Long-Sequence Models Requires Data-Driven Priors [44.5740422079]
  標準的なデノベーション目的による事前トレーニングは、複数のアーキテクチャで劇的に向上することを示す。 先行研究とは対照的に、適切に事前訓練された場合の長距離アリーナでのS4の性能に適合するバニラトランスフォーマーが見つかる。
  論文  参考訳（メタデータ） (2023-10-04T17:17:06Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。