論文の概要: LagNet: Lag-Structured Operators for Long-Term Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.23735v1
• Date: Fri, 16 Oct 2026 16:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.027508
• Title: LagNet: Lag-Structured Operators for Long-Term Time Series Forecasting
• Title（参考訳）: LagNet: 長期連続予測のためのラグ構造化演算子
• Abstract要約: 我々は、ラグ構造化時間演算子に基づく直接多段階予測のためのフレームワークを開発する。 我々の設計により、既存の予測モデルにおいて、LagLayerは時間線形層を効果的に置き換えることができます。
• 参考スコア（独自算出の注目度）: 6.04484433025468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term time series forecasting maps a finite history window to an extended future horizon. Many existing models focus primarily on the design of input representations and model structures, while paying less attention to the structural form of the history-to-future forecasting operator itself. We examine this operator directly and find that, across model families, sensitivity matrices exhibit recurring diagonal patterns whose diagonals correspond to relative temporal lags. Motivated by this observation, we develop a framework for direct multi-step forecasting based on lag-structured temporal operators. Its basic building block, LagLayer, constructs a Toeplitz matrix by tying history-to-future connections with the same relative lag and incorporates horizon-wise and history-wise scaling coefficients to relax exact sharing. This design enables LagLayer to serve as an effective replacement for temporal linear layers in existing forecasting models. Stacking LagLayer modules with activations and multiple feature maps yields LagNet. Experiments on long-term time series forecasting benchmarks show that our method is competitive with strong baselines, while sensitivity matrix diagnostics and limited-data experiments demonstrate that LagLayer provides an effective and sample-efficient alternative to a linear layer.
• Abstract（参考訳）: 長期時系列予測は、有限履歴ウィンドウを将来の地平線にマッピングする。 既存のモデルの多くは、主に入力表現とモデル構造の設計に重点を置いているが、歴史から未来への予測演算子自体の構造形式にはあまり注意を払わない。 この演算子を直接検討し、モデルファミリの感度行列は、対角線が相対時間ラグに対応するような、繰り返し発生する対角線パターンを示す。 この観測により,ラグ構造化時間演算子に基づく直接多段階予測フレームワークを開発した。 ベーシックなビルディングブロックであるLagLayerは、歴史と未来の間の接続を同じ相対ラグで結びつけることで、Toeplitz行列を構築し、水平方向および歴史方向のスケーリング係数を組み込んで正確な共有を緩和する。 この設計により、LagLayerは、既存の予測モデルにおける時間線形層を効果的に置き換えることができる。 LagLayerモジュールをアクティベーションと複数のフィーチャーマップでスタックすると、LagNetが生成される。 長期時系列予測ベンチマークの実験から,本手法は強いベースラインと競合することが示されたが,感度行列診断や限定データ実験は,LagLayerが線形層に代わる効果的でサンプル効率のよい代替手段であることを示す。

関連論文リスト

• FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts [49.9321870703948]
  既存のモデルは、主に短期水平予測に焦点を当てており、悪名高い計算コストとメモリ消費に悩まされている。 本稿では,長期・大規模STG予測のためのMixture-of-Experts(MoEs)に基づく,効率的かつ効率的なフレームワークであるFaSTを提案する。 まず、計算負担を軽減するための適応型グラフエージェントアテンション機構を提案する。 第2に,従来のフィードフォワードネットワークを Gated Linear Units (GLUs) に置き換えた新しい並列MoEモジュールを提案する。
  論文  参考訳（メタデータ） (2026-01-08T18:00:58Z)
• CometNet: Contextual Motif-guided Long-term Time Series Forecasting [10.42683988784043]
  長期の時系列予測は多くの重要な領域で重要である。 メインストリームトランスフォーマーとマルチレイヤパーセプトロン(MLP)ベースの手法は、主に有限ルックバックウィンドウに依存している。 我々は,コメットネット(CometNet)を提案する。
  論文  参考訳（メタデータ） (2025-11-11T09:54:16Z)
• Test Time Learning for Time Series Forecasting [1.4605709124065924]
  テストタイムトレーニング(TTT)モジュールは、MambaベースのTimeMachineなど、最先端モデルよりも一貫して優れている。 その結果,平均二乗誤差 (MSE) と平均絶対誤差 (MAE) に有意な改善が認められた。 この研究は、時系列予測の新しいベンチマークを設定し、スケーラブルで高性能な予測モデルにおける将来の研究の基礎を定めている。
  論文  参考訳（メタデータ） (2024-09-21T04:40:08Z)
• Multiscale Representation Enhanced Temporal Flow Fusion Model for Long-Term Workload Forecasting [19.426131129034115]
  本稿では,自己指導型マルチスケール表現学習を利用して,長期および短期のワークロードパターンを抽出する新しいフレームワークを提案する。 長期履歴はマルチスケール表現によって符号化され、短期観測は時流融合によってモデル化される。
  論文  参考訳（メタデータ） (2024-07-29T04:42:18Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• From Static to Dynamic Node Embeddings [61.58641072424504]
  本稿では,時間的予測に基づくアプリケーションにグラフストリームデータを活用するための汎用フレームワークを提案する。 提案フレームワークは,適切なグラフ時系列表現を学習するための新しい手法を含む。 トップ3の時間モデルは常に新しい$epsilon$-graphの時系列表現を利用するモデルであることが分かりました。
  論文  参考訳（メタデータ） (2020-09-21T16:48:29Z)

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。