論文の概要: AliO: Output Alignment Matters in Long-Term Time Series Forecasing

• arxiv url: http://arxiv.org/abs/2610.11213v1
• Date: Thu, 08 Oct 2026 04:12:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.79525
• Title: AliO: Output Alignment Matters in Long-Term Time Series Forecasing
• Title（参考訳）: アリオ氏:長期の時系列予測で生産調整が重要か
• Abstract要約: AliOはLTSFモデルの出力アライメントを改善するために設計された新しいアプローチである。 その結果,AliO は出力アライメントを 58.2% まで効果的に改善し,予測性能を維持・向上することを示した。 これにより、出力アライメントが改善され、LTSFモデルの信頼性が向上し、現実のシナリオにも適用できるようになる。
• 参考スコア（独自算出の注目度）: 7.247123493759733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term Time Series Forecasting (LTSF) tasks, which leverage the current data sequence as input to predict the future sequence, have become increasingly crucial in real-world applications such as weather forecasting and planning of electricity consumption. However, state-of-the-art LTSF models often fail to achieve prediction output alignment for the same timestamps across lagged input sequences. Instead, these models exhibit low output alignment, resulting in fluctuation in prediction outputs for the same timestamps, undermining the model's reliability. To address this, we propose AliO (Align Outputs), a novel approach designed to improve the output alignment of LTSF models by reducing the discrepancies between prediction outputs for the same timestamps in both the time and frequency domains. To measure output alignment, we introduce a new metric, TAM (Time Alignment Metric), which quantifies the alignment between prediction outputs, whereas existing metrics such as MSE only capture the distance between prediction outputs and ground truths. Experimental results show that AliO effectively improves the output alignment, i.e., up to 58.2% in TAM, while maintaining or enhancing the forecasting performance (up to 27.5%). This improved output alignment increases the reliability of the LTSF models, making them more applicable in real-world scenarios.
• Abstract（参考訳）: 天気予報や電力消費の計画といった現実の応用において,現在のデータシーケンスを入力として活用して将来のシーケンスを予測する,長期時系列予測(LTSF)タスクがますます重要になっている。 しかし、最先端のLTSFモデルは、タグ付き入力シーケンスで同じタイムスタンプに対して予測出力アライメントを達成できないことが多い。 代わりに、これらのモデルは出力アライメントが低く、同じタイムスタンプの予測出力が変動し、モデルの信頼性が損なわれる。 これを解決するために、AliO(Align Outputs)を提案する。これは、時間領域と周波数領域の両方において、同じタイムスタンプにおける予測出力の差を減らし、LTSFモデルの出力アライメントを改善するために設計された新しいアプローチである。 出力アライメントを測定するために,予測出力間のアライメントを定量化するTAM(Time Alignment Metric)を導入した。 実験の結果、AliOは出力アライメントを効果的に改善し、TAMでは58.2%まで向上し、予測性能(最大27.5%)を維持した。 これにより、出力アライメントが改善され、LTSFモデルの信頼性が向上し、現実のシナリオにも適用できるようになる。

関連論文リスト

• Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables [59.37476887007663]
  我々は、(PFNとは違って)時間認識の事前データ適合型ネットワーク(PFN)であるApolloPFNを開発した。 i) PFNが時系列に適用されたときに発生する障害モードを解決するために調整された合成データ生成手順,(ii)時系列コンテキストを利用するのに必要な帰納的バイアスを埋め込んだ時間アウェアなアーキテクチャ修正。
  論文  参考訳（メタデータ） (2026-03-16T18:33:23Z)
• Relational Feature Caching for Accelerating Diffusion Transformers [19.211788552579655]
  特徴キャッシングアプローチは,計算コストの高いモジュールの出力特性を一定のタイミングで格納することにより,拡散変換器(DiT)を高速化する。 最近の予測に基づくキャッシュ手法では、時間外挿法を用いて出力特性をキャッシュ化したものと近似する。 本稿では,特徴予測の精度を高めるために,入出力関係を利用した新しいフレームワークであるリレーショナル特徴キャッシング(RFC)を提案する。
  論文  参考訳（メタデータ） (2026-02-23T04:45:38Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• MixLinear: Extreme Low Resource Multivariate Time Series Forecasting with 0.1K Parameters [6.733646592789575]
  時系列予測(LTSF)は、パターンや傾向を特定するために、大量の時系列データを分析することによって、長期的な価値を予測する。 トランスフォーマーベースのモデルは高い予測精度を提供するが、ハードウェア制約のあるデバイスにデプロイするには計算集約的すぎることが多い。 資源制約のあるデバイスに特化して設計された超軽量時系列予測モデルであるMixLinearを提案する。
  論文  参考訳（メタデータ） (2024-10-02T23:04:57Z)
• Integration of Mamba and Transformer -- MAT for Long-Short Range Time Series Forecasting with Application to Weather Dynamics [7.745945701278489]
  長い時間範囲の時系列予測は、長期にわたる将来の傾向やパターンを予測するのに不可欠である。 Transformersのようなディープラーニングモデルは、時系列予測の進歩に大きく貢献している。 本稿では,MambaモデルとTransformerモデルの長所と短所について検討する。
  論文  参考訳（メタデータ） (2024-09-13T04:23:54Z)
• CALF: Aligning LLMs for Time Series Forecasting via Cross-modal Fine-Tuning [59.88924847995279]
  MTSFのためのクロスモーダルLCMファインチューニング(CALF)フレームワークを提案する。 分散の相違を低減するため,クロスモーダルマッチングモジュールを開発した。 CALFは、長期および短期の予測タスクの最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2024-03-12T04:04:38Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting [25.417560221400347]
  長周期時系列予測(LSTF)は高い予測能力を必要とする。 最近の研究は、予測能力を高めるトランスフォーマーの可能性を示しています。 我々は3つの特徴を有するlstf用効率的なトランスフォーマーモデル,informerを設計した。
  論文  参考訳（メタデータ） (2020-12-14T11:43:09Z)

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。