論文の概要: Learning to Forecast on Multiple Spatiotemporal Hierarchies
- arxiv url: http://arxiv.org/abs/2610.21414v1
- Date: Thu, 15 Oct 2026 07:29:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.252204
- Title: Learning to Forecast on Multiple Spatiotemporal Hierarchies
- Title（参考訳）: 複数の時空間階層上で予測する学習
- Abstract要約: 階層間のバリエーションをマルチタスク正規化として活用するグラフ深層学習フレームワークを提案する。
これらの構造を共同で学習することで、特定の階層への過度な特殊化を減らし、予測性能を向上させることができることを示す。
- 参考スコア（独自算出の注目度）: 21.379787391578574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hierarchical forecasting exploits aggregation structures that expose multiple views of the same underlying spatiotemporal forecasting problem, while ensuring coherence among forecasts. Individual series provide fine-grained information, while progressively coarser aggregates reveal temporal and spatial patterns at different scales. In the associated deep learning architectures, the hierarchy determines which aggregate series are available and how they are processed together with individual series (e.g., through reconciliation or message-passing operators). Different hierarchies thus provide distinct learning signals and inductive biases for forecasting the same collection of time series. Nonetheless, existing architectures are typically trained on a single, often fixed, structure. In this work, we propose a graph deep learning framework that leverages variations across hierarchies as multi-task regularization. We show that jointly learning across these structures can reduce over-specialization to any single hierarchy and improve forecasting performance. Indeed, training across hierarchies provides an inductive bias toward representations that are useful across different structures, and as such, generalize better. Making forecasts coherent with the aggregation constraints for each sampled hierarchy is computationally expensive: to complement the framework, we propose a novel operator-based on a top-down approach-that produces coherent forecasts with linear time and space complexity w.r.t. the hierarchy size. Experiments show that our approach improves forecasting accuracy over training on a single structure and is competitive with current state-of-the-art methods.
- Abstract（参考訳）: 階層的予測は、同じ時空間予測問題の複数のビューを公開し、予測間のコヒーレンスを確保するアグリゲーション構造を利用する。
個々の系列はきめ細かい情報を提供するが、徐々に粗い集合は異なるスケールで時間的および空間的パターンを明らかにする。
関連するディープラーニングアーキテクチャでは、階層構造は、どのアグリゲートシリーズが利用可能か、どのように個別のシリーズと共に処理されるかを決定する(例えば、和解やメッセージパッシング演算子を通して)。
したがって、異なる階層構造は、同じ時系列のコレクションを予測するために、異なる学習信号と帰納的バイアスを提供する。
それでも、既存のアーキテクチャは通常、単一の、しばしば固定された構造でトレーニングされる。
本研究では,階層間の変動をマルチタスク正規化として活用するグラフ深層学習フレームワークを提案する。
これらの構造を共同で学習することで、特定の階層への過度な特殊化を減らし、予測性能を向上させることができることを示す。
実際、階層間のトレーニングは、異なる構造にまたがって有用な表現に対する帰納的バイアスを与え、より一般化します。
このフレームワークを補完するため,線形時間と空間の複雑さを伴うコヒーレントな予測を階層サイズで生成する,トップダウンアプローチに基づく新しい演算子を提案する。
実験により,本手法は単一構造でのトレーニングよりも予測精度を向上し,最先端の手法と競合することを示す。
関連論文リスト
- Does Joint-Embedding Predictive Architecture Pretraining Help Time Series Forecasting? [78.40490439627504]
時間的および時間的予測にまたがる9つのバックボーン11ベンチマークにおけるJEPAのインスタンス化を評価した。
このインスタンス化の利点はバックボーンによって大きく異なり、同じデータセットであっても、いくつかのアーキテクチャで一貫性のある一貫した利得が得られます。
論文 参考訳（メタデータ） (2026-09-16T10:31:01Z) - Graph-based Time Series Clustering for End-to-End Hierarchical Forecasting [18.069747511100132]
時系列間の関係は、効果的な予測モデル学習における帰納バイアスとして利用することができる。
本稿では,関係性および階層的帰納バイアスを統一するグラフベースの手法を提案する。
論文 参考訳（メタデータ） (2023-05-30T16:27:25Z) - Hierarchical learning, forecasting coherent spatio-temporal individual
and aggregated building loads [1.3764085113103222]
構造的インフォームド機械学習回帰器と階層的和解分類に基づく新しい多次元階層予測手法を提案する。
本手法は2つの異なるケーススタディを用いて電気的負荷の予測を行う。
全体として、本論文は従来の階層的予測手法を拡張・統一し、新しい世代の予測回帰器への肥大なルートを提供する。
論文 参考訳（メタデータ） (2023-01-30T15:11:46Z) - Structurally Diverse Sampling Reduces Spurious Correlations in Semantic
Parsing Datasets [51.095144091781734]
本稿では,構造化された出力を持つラベル付きインスタンスプールから,構造的に多様なインスタンス群をサンプリングする新しいアルゴリズムを提案する。
提案アルゴリズムは, 合成テンプレート分割だけでなく, 従来のID分割においても, 従来のアルゴリズムよりも競合的に動作することを示す。
一般に、多種多様な列車集合は、10組のデータセット分割ペアのうち9組で同じ大きさのランダムな訓練集合よりも優れた一般化をもたらす。
論文 参考訳（メタデータ） (2022-03-16T07:41:27Z) - MECATS: Mixture-of-Experts for Quantile Forecasts of Aggregated Time
Series [11.826510794042548]
我々はtexttMECATS という異種の専門家フレームワークを混合して導入する。
集約階層を通じて関連付けられた時系列の集合の値を同時に予測する。
異なる種類の予測モデルを個別の専門家として使用することで、各モデルの形式を対応する時系列の性質に合わせて調整することができる。
論文 参考訳（メタデータ） (2021-12-22T05:05:30Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳（メタデータ） (2021-10-26T20:41:19Z) - Hierarchically Regularized Deep Forecasting [18.539846932184012]
本稿では,グローバルな時系列集合に沿って時系列を分解した階層予測のための新しい手法を提案する。
過去の手法とは異なり、我々の手法は時系列予測の一貫性を維持しつつ、推論時にスケーラブルである。
論文 参考訳（メタデータ） (2021-06-14T17:38:16Z) - Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。
提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。
この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文 参考訳（メタデータ） (2020-10-23T11:18:20Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z) - Neural Ensemble Search for Uncertainty Estimation and Dataset Shift [67.57720300323928]
ニューラルネットワークのアンサンブルは、データセットシフトに対する精度、不確実性キャリブレーション、堅牢性の観点から、スタンドアロンネットワークよりも優れたパフォーマンスを実現する。
本稿では,アンサンブルをアンサンブルで自動構築する2つの手法を提案する。
得られたアンサンブルは、精度だけでなく、不確実なキャリブレーションやデータセットシフトに対する堅牢性の観点からも、深いアンサンブルよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-06-15T17:38:15Z)
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。