論文の概要: ECHO: Correcting Time Series Foundation Model Forecasts with Historical Analogues and Errors
- arxiv url: http://arxiv.org/abs/2610.16433v1
- Date: Mon, 12 Oct 2026 08:57:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 23:18:39.090006
- Title: ECHO: Correcting Time Series Foundation Model Forecasts with Historical Analogues and Errors
- Title（参考訳）: ECHO: 歴史的アナローグとエラーによる時系列モデル予測の修正
- Abstract要約: 時系列基礎モデル(TSFM)は汎用的な予測機能を提供するが、その予測は対象領域の時間的特性と一致しない。
これにより、TSFMへのブラックボックスアクセスのみが利用可能であっても、軽量な予測補正を行うことができる。
両情報源から学習するブラックボックス予測補正フレームワークECHOを提案する。
- 参考スコア（独自算出の注目度）: 17.012797281259438
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time Series Foundation Models (TSFMs) provide general-purpose forecasting capabilities, yet their forecasts can remain misaligned with the temporal characteristics of a target domain. This motivates lightweight forecast correction even when only black-box access to the TSFM is available. Our key observation is that two forms of historical information provide complementary correction signals: historical analogues reveal how similar contexts evolved, while past forecast errors reveal a TSFM's characteristic deviations in the target domain. Based on this observation, we propose ECHO, a black-box forecast correction framework that learns from both sources. ECHO uses AnalogE to assess retrieved historical analogues together with the current context and base forecast, learning transferable corrections through cross-domain pretraining. In parallel, RecentE learns target-specific residual corrections from past forecast errors and refines them as causally available feedback accumulates. ECHO dynamically combines the two corrections according to their observed forecasting performance. Across 5 representative TSFMs and 9 real-world datasets, ECHO reduces MSE in all 45 backbone--dataset settings, yielding an average relative reduction of 9.26\% in macro-average MSE. Its gains also extend to long-horizon forecasting.
- Abstract（参考訳）: 時系列基礎モデル(TSFM)は汎用的な予測機能を提供するが、その予測は対象領域の時間的特性と一致しない。
これにより、TSFMへのブラックボックスアクセスのみが利用可能であっても、軽量な予測補正を行うことができる。
過去の予測誤差は、TSFMの特徴的偏差を目標領域に示すのに対し、歴史的類推は、類似した文脈がどのように進化したかを明らかにする。
両情報源から学習するブラックボックス予測補正フレームワークECHOを提案する。
ECHOはAnalogEを使用して、検索した履歴アナログを現在のコンテキストとベース予測と共に評価し、クロスドメイン事前学習を通じて転送可能な修正を学習する。
並行して、ResearchEは過去の予測エラーからターゲット固有の残差補正を学習し、因果的に利用可能なフィードバックが蓄積されるようにそれらを洗練する。
ECHOは、観測された予測性能に応じて2つの補正を動的に結合する。
5つの代表的TSFMと9つの実世界のデータセットの合計で、ECHOは45のバックボーンデータセット設定すべてでMSEを削減し、マクロ平均MSEでは平均9.26\%の相対的な減少をもたらす。
その利得は、ロングホライズン予測にも及んでいる。
関連論文リスト
- GRAM: Correcting Frozen Time-Series Foundation Models via Graph-Retrieved Amplitude Memory [58.68570511441593]
時系列基礎モデル(TSFM)は、ドメイン間事前トレーニングによるゼロショット予測を可能にする。
冷凍TSFMのための一般的な検索拡張フレームワークであるGRAMを提案する。
論文 参考訳（メタデータ） (2026-10-04T00:20:36Z) - Ensemble Score Filtering for Real-Data Energy Consumption Forecast Correction [11.027420128235903]
実エネルギー消費データに対する高次元データ同化問題について検討する。
本研究ではEnsemble Score Filter(EnSF)を用いて,部分的および雑音的な観測を同化し,時間とともに予測軌道を補正する。
論文 参考訳（メタデータ） (2026-05-27T20:27:38Z) - LEAF: A Living Benchmark for Event-Augmented Forecasting [78.94019460534442]
LEAFは、イベント拡張予測タスクの最初の生きたベンチマークである。
我々は最先端のプロプライエタリかつオープンウェイトなLLMを評価した。
LLMは、より予測し易いと自信を持って判断し、より優れたパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-05-09T03:17:59Z) - Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。
予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
論文 参考訳（メタデータ） (2026-02-03T16:01:22Z) - Beyond Accuracy: A Stability-Aware Metric for Multi-Horizon Forecasting [0.0]
本稿では,確率的マルチホライゾン予測の質を評価するための予測精度とコヒーレンススコア(略してACスコア)を紹介する。
その結果,従来の最大推定値よりも大幅に改善した。
論文 参考訳（メタデータ） (2026-01-15T21:26:57Z) - Beyond MSE: Ordinal Cross-Entropy for Probabilistic Time Series Forecasting [11.320830769077027]
現在のディープラーニングベースの予測モデルは、回帰モデリングにMean Squared Error(MSE)損失関数を用いる。
時系列予測のための新しい順序分類手法であるOCE-TSを提案する。
MSE と Mean Absolute Error (MAE) を評価指標として,OCE-TS がベンチマークモデルより一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-11-13T11:14:24Z) - 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) - Stock Volume Forecasting with Advanced Information by Conditional Variational Auto-Encoder [49.97673761305336]
本研究では,短時間・長期の予測作業において,日当たりのストックボリューム時系列の予測を改善するために,条件変動(CVAE)を用いることを実証する。
CVAEは非線形時系列をサンプル外予測として生成し、精度が向上し、実際のデータとの相関関係がより緊密になる。
論文 参考訳（メタデータ） (2024-06-19T13:13:06Z) - Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes:
Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。
GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。
これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文 参考訳（メタデータ） (2024-02-23T06:09:45Z)
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。