論文の概要: Quantile-Guided Diffusion for Probabilistic Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.20739v1
• Date: Wed, 14 Oct 2026 18:01:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.002354
• Title: Quantile-Guided Diffusion for Probabilistic Time-Series Forecasting
• Title（参考訳）: 確率的時系列予測のための量子誘導拡散
• Abstract要約: 拡散予測のための分布制御として, 予測量子がどのように機能するかを考察する。 我々は、この手法を、事前訓練したバックボーンを凍結させながら、量子制御経路を学習するコントロール-TSとしてインスタンス化する。
• 参考スコア（独自算出の注目度）: 6.639896614747015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantile forecasts summarize uncertainty at each future time step, while diffusion forecasters represent it through sampled future trajectories. We study how predicted quantiles can serve as distributional controls for diffusion forecasting. Specifically, we investigate how the mechanism of quantile integration affects its effectiveness in guiding a pretrained diffusion forecaster. We find that residual control throughout the denoising network yields the most consistent improvements. We instantiate this approach as Control-TS, which learns a quantile-control pathway while keeping the pretrained backbone frozen. Across eight benchmarks, Control-TS consistently improves the backbone's CRPS, achieves competitive performance against state-of-the-art forecasting models, and retains its gains in capacity-matched comparisons. Further analyses examine how these gains depend on quantile granularity, predictor choice, and forecast quality. Finally, we introduce the Conditional Linear Predictive Score (CLPS), which complements distributional metrics by evaluating the downstream forecasting utility of generated futures. Together, these findings support predicted quantiles as an effective interface between explicit uncertainty estimates and diffusion-based trajectory generation.
• Abstract（参考訳）: 量子予測は、将来の段階ごとに不確実性を要約し、拡散予測器は、標本化された将来の軌跡を通してそれを表現している。 拡散予測のための分布制御として, 予測量子がどのように機能するかを考察する。 具体的には,量子積分のメカニズムが,事前学習した拡散予測器の誘導における有効性にどのように影響するかを検討する。 復調ネットワーク全体の残差制御は、最も一貫した改善をもたらすことがわかった。 我々は、この手法を、事前訓練したバックボーンを凍結させながら、量子制御経路を学習するコントロール-TSとしてインスタンス化する。 8つのベンチマークで、Control-TSは、バックボーンのCRPSを一貫して改善し、最先端の予測モデルと競合する性能を達成し、キャパシティ・マッチした比較においてその優位性を維持している。 さらに、これらの利得が量子的粒度、予測者選択、予測品質にどのように依存するかを考察する。 最後に,生成した先物の下流予測ユーティリティを評価することで,分布指標を補完する条件線形予測スコア(CLPS)を提案する。 これらの知見は、明らかな不確実性推定と拡散に基づく軌道生成の間の効果的なインターフェースとして、予測量子化をサポートする。

関連論文リスト

• Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting [59.015610520217734]
  我々は,コンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。 推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。
  論文  参考訳（メタデータ） (2026-09-29T22:47:10Z)
• Stabilizing distribution-free probabilistic forecasts [5.716454975957337]
  我々は、予測品質とともに予測安定性を、分布のない確率的時系列予測モデルのトレーニングに統合する。 本稿では,ニューラルネットワークによってパラメータ化された回帰スプラインを用いて,安定化された条件付き量子関数を生成する手法を提案する。 統計的特性が異なる2つのデータセットに対して提案手法を実験的に評価し,予測品質を著しく損なうことなく,予測不安定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） (2026-05-27T14:25:05Z)
• Diffusion-Based Forecasting for Uncertainty-Aware Model Predictive Control [22.60091645818101]
  部分的に観測可能なシステムにおける不確実性を考慮した予測と意思決定のための一般的なフレームワークである拡散インフォームドモデル予測制御(DI MPC)を提案する。 本手法では,拡散に基づく時系列予測モデルを用いて,システムのコンポーネントの進化を確率論的に推定する。 本稿は,ニューヨーク州の日々の電力市場において,バッテリ・エナジー・ストレージ・システム(バッテリー・エナジー・ストレージ・システム)が参加するエネルギー仲裁の課題に関する枠組みを評価するものである。
  論文  参考訳（メタデータ） (2025-03-19T10:48:26Z)
• Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting [19.383395337330082]
  本稿では,CCDM(Contrastive Conditional Diffusion)モデルを提案する。 提案したCCDMは,現在最先端の拡散予測器と比較して優れた予測能力を示すことができる。
  論文  参考訳（メタデータ） (2024-10-03T03:13:15Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Comparing Sequential Forecasters [35.38264087676121]
  2つの予測器を考えてみましょう。それぞれが時間とともに一連のイベントを予測します。 オンラインでもポストホックでも、予測と結果がどのように生成されたかの検証不可能な仮定を避けながら、これらの予測をどのように比較すればよいのか? 予測スコアの時間差を推定するための新しい逐次推論手法を提案する。 実世界の野球と天気予報機を比較することで,我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2021-09-30T22:54:46Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。