論文の概要: CARE: A Lightweight Plug-in Gated Correction and Uncertainty-aware Module for Long-term Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.11165v1
• Date: Thu, 08 Oct 2026 03:23:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.763792
• Title: CARE: A Lightweight Plug-in Gated Correction and Uncertainty-aware Module for Long-term Time Series Forecasting
• Title（参考訳）: CARE: 長期連続予測のための軽量プラグインGated Correctionと不確実性認識モジュール
• Abstract要約: CARE(Corrective branch with Aligned context and Relative-error Estimation)は、アーキテクチャの再設計なしに決定論的予測を拡張できる軽量プラグインである。 CAREは、予測水平線に合うように歴史的コンテキストを再サンプリングし、この整列した履歴から残差補正パターンを学習し、スケールアウェアの有界更新を適用する。 そのリスクゲートは、高いエラー領域を確実に識別し、プランナーにステップ毎の信頼信号を提供する。
• 参考スコア（独自算出の注目度）: 2.6765043621731355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate long-horizon forecasting is critical to electricity load scheduling and traffic flow management, and to financial risk control. Existing deterministic backbones output a single trajectory, masking heterogeneous prediction difficulty across horizons and channels and providing no localized reliability signal. We present CARE (Corrective branch with Aligned context and Relative-error Estimation), a lightweight plug-in that enhances any deterministic forecaster without architectural redesign. Operating in parallel with the base model, CARE resamples historical context to match the forecast horizon, learns residual correction patterns from this aligned history, and applies scale-aware bounded updates modulated by per-coordinate sigmoid risk gates. A multi-objective loss jointly optimizes forecast accuracy, residual tracking, risk alignment, and base-model anchoring. Across eight benchmarks with three representative backbones, CARE improves accuracy with marginal parameter and latency overhead. Its risk gates reliably identify high-error regions: on Weather, the highest-gate tertile exhibits nearly four times the error of the lowest-gate tertile, offering planners an interpretable per-step trust signal. Code is available at https://github.com/CG-BNYC/CARE.
• Abstract（参考訳）: 多変量長水平予測は、電力負荷スケジューリングや交通フロー管理、金融リスク管理に不可欠である。 既存の決定論的バックボーンは1つの軌道を出力し、水平線とチャネルをまたいで不均一な予測困難を隠蔽し、局所的な信頼性信号を提供しない。 本稿では、アーキテクチャの再設計なしに決定論的予測器を強化する軽量なプラグインであるCARE(Corrective branch with Aligned context and Relative-error Estimation)を提案する。 ベースモデルと並行して動作するCAREは、予測水平線に合わせて履歴コンテキストを再サンプリングし、この整列した履歴から残差補正パターンを学習し、座標ごとのシグモイドリスクゲートによって変調されたスケールアウェア境界付き更新を適用する。 多目的損失は、予測精度、残留トラッキング、リスクアライメント、ベースモデルアンカーを共同で最適化する。 代表的なバックボーンが3つある8つのベンチマークで、CAREは限界パラメータと遅延オーバーヘッドで精度を向上させる。 リスクゲートは、高いエラー領域を確実に識別する: 天気上、最も高いゲートのテラルは最低ゲートのテラルの4倍のエラーを示し、プランナーはステップごとに解釈可能な信頼信号を提供する。 コードはhttps://github.com/CG-BNYC/CAREで公開されている。

関連論文リスト

• SPARC: Single-Pass Scaling for Motion Forecasting with Conformal Bayesian Last Layers [1.4452289368758382]
  シングルパス適応リスク(英: Single-Pass Adaptive Risk)は、人間の動き予測器に対する構造的、校正的、効率的な不確実性推定である。 決定論的バックボーンは将来の平均を予測し、共役ベイズ最後の層は時間領域の特徴レバレッジを解析的地平線スケールに変換する。 NLLと組み合わせたMPJPE+NLLの基準では、競争点の精度と効率的な校正管を維持している。
  論文  参考訳（メタデータ） (2026-08-21T07:20:22Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing [4.62541204592513]
  本稿では,エラー関連自己回帰予測の時間的制限を克服する構造的不確実性モジュールであるTegerを紹介する。 Tegerはバックボーンに依存しないため、自己回帰エンコーダによって生成される潜伏状態のみを必要とする。
  論文  参考訳（メタデータ） (2026-05-18T08:51:33Z)
• A Retrieval-Enhanced Transformer for Multi-Step Port-of-Call Sequence Prediction in Global Liner Shipping [6.316974670801592]
  本研究では,CCRE(Connectivity-Constrained and Retrieval-Enhanced Deep Learning framework)を提案する。 Retrieval-Augmented GenerationにインスパイアされたCCREは、検索に強化された履歴エンコーダを導入する。 これらのシナリオを候補レベルのセマンティック表現に変換することで、ロングテールルートにおけるデータの分散を補正し、ルーティングの曖昧さを解決する。 CCREは72.3%、平均3段階の精度は61.4%で、それぞれ12.6%と11.3%の差でCatBoostやLSTMなどのベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-05-15T13:18:31Z)
• Towards Scaling Law Analysis For Spatiotemporal Weather Data [50.25336689856158]
  単一ステップのトレーニング損失から長期ロールアウトやチャネル単位のメトリクスまで,自動回帰天気予報のためのニューラルスケーリング分析を拡張した。 プールドスケーリングは望ましいように見えるが、多くのチャネルは遅延リードで劣化する。 本稿では,重み付け対象,地平線対応カリキュラム,出力間の資源配分について論じる。
  論文  参考訳（メタデータ） (2026-04-06T18:14:53Z)
• EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
  EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
  論文  参考訳（メタデータ） (2026-01-26T23:15:20Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• 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)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)

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。