論文の概要: Look Back, Correct Forward: Error Feedback Calibration for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.22872v1
• Date: Fri, 16 Oct 2026 03:22:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.7386
• Title: Look Back, Correct Forward: Error Feedback Calibration for Time Series Forecasting
• Title（参考訳）: 振り返って, 正しいフォワード: 時系列予測のためのエラーフィードバックの校正
• Abstract要約: 時系列予測の定式化後補正のための完全テスト時間フレームワークであるエラーフィードバック(EFC)を紹介する。 EFCは、重複する歴史的予測の誤りを明らかにするために、因果誤差対角線(CED)を構築している。 この誤差状態を累積推定を用いて将来の残差にマッピングし、時間外検証は補正強度を制御する。
• 参考スコア（独自算出の注目度）: 14.070628827463551
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting models are increasingly deployed in continuously evolving environments. After a forecast is issued, future observations gradually arrive and reveal how the model has failed. Existing methods mainly treat such observations as supervision for parameter updates. However, it remains unclear whether verified forecasting errors can themselves provide causal feedback for correcting future predictions. To address this, we introduce Error Feedback Calibration (EFC), a fully test-time framework for deterministic post-hoc correction of time series forecasting. EFC constructs a Causal Error Diagonal (CED) from revealed errors of overlapping historical forecasts, providing a fresh view of the frozen forecaster's recent failure behavior. Then Cumulative Error Transport (CET) maps this error state to future residuals using cumulative estimation, while temporal out-of-sample validation controls the correction strength. Temporal Residual Learning (TRL) further predicts only the residual structure left after CET from recent CED trajectories, rather than relearning the entire forecasting error. Extensive experiments across forecasting backbones and datasets show that EFC broadly improves forecasting performance while substantially controlling harmful over correction.
• Abstract（参考訳）: 時系列予測モデルは、継続的に進化する環境にますますデプロイされる。 予測が発行された後、将来の観測結果が徐々に到着し、モデルがどのように失敗しているかを明らかにする。 既存の手法は主にパラメータ更新の監視のような観察を扱う。 しかし,予測誤差が将来予測の修正に因果的フィードバックを与えることができるかどうかは不明である。 これを解決するために,時系列予測の定位後修正のための完全テスト時間フレームワークであるEFC(Error Feedback Calibration)を導入する。 EFCは、過去の予測が重複していることを示す誤りから、因果誤差対角線(Causal Error Diagonal, CED)を構築する。 次に、累積誤差輸送(CET)は、この誤差状態を累積推定を用いて将来の残差にマッピングし、時間外検証は補正強度を制御する。 時間的残留学習(TRL)は、予測エラー全体を学習するのではなく、最近のCED軌道からCET後に残された残留構造のみを予測する。 予測バックボーンとデータセットにわたる広範囲な実験により、EFCは予測性能を広範囲に改善し、有害なオーバー修正を実質的に制御していることが示された。

関連論文リスト

• Evaluating Predictor-Corrector Dependence in Hard-Constrained Climate Emulators [48.517726657845664]
  本稿では,修正予測,事前補正予測,修正不能な自動ロールアウトを分離する評価フレームワークを提案する。 ハード・リコメンデーションがトレーニングされた予測器を再構築できることを示し、修正された予測だけでは見えない依存関係を生成する。
  論文  参考訳（メタデータ） (2026-10-16T14:49:19Z)
• 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)
• 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)
• Probabilistic bias adjustment of seasonal forecasts using generative machine learning: A case study of Arctic sea ice predictions [0.0]
  北極海氷の季節変動予測に偏りの大規模なアンサンブルを生成する枠組みを開発した。 我々は、この枠組みを拡張して、予測における微細なエネルギーの損失と特徴的曖昧さに対処する。 調整した予測は、観測分布とより整合性があり、ベンチマーク予測よりも誤差が小さいことを示す。
  論文  参考訳（メタデータ） (2026-05-27T23:14:46Z)
• Neural CDEs as Correctors for Learned Time Series Models [0.0]
  本研究では,予測器を学習時系列モデルとし,Correctorをニューラル制御微分方程式とする予測器・コレクタ機構を提案する。 提案したCorrectorは、不規則にサンプリングされた時系列と連続時間および離散時間予測器で動作する。 合成, 物理シミュレーション, 実世界の予測データセットにおいて, 様々な予測器を用いてコレクターを評価した。
  論文  参考訳（メタデータ） (2025-12-13T01:17:05Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• Explainable boosted linear regression for time series forecasting [0.1876920697241348]
  時系列予測では、過去の観測を収集し分析し、将来の観測を外挿するモデルを開発する。 時系列予測のための説明可能な強化線形回帰(EBLR)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-18T22:31:42Z)

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。