論文の概要: CTLite: Lightweight Irregular Multivariate Time Series Forecasting with Reusable Continuous-Time Summaries

• arxiv url: http://arxiv.org/abs/2610.26379v1
• Date: Mon, 19 Oct 2026 13:32:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 18:09:16.447905
• Title: CTLite: Lightweight Irregular Multivariate Time Series Forecasting with Reusable Continuous-Time Summaries
• Title（参考訳）: CTLite: 再使用可能な連続時間サプライヤーによる軽量不規則多変量時系列予測
• Abstract要約: 歴史的要約を学習予測から切り離すフレームワークであるCTLiteを提案する。 4つの実世界のベンチマーク実験により、CTLite は MSE と MAE の2番目に高い平均値を達成することが示された。
• 参考スコア（独自算出の注目度）: 2.2732491507888652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Irregular multivariate time series forecasting (IMTSF) requires capturing temporal dynamics and cross-variable dependencies from sparse, asynchronous observations. Existing methods often rely on learned temporal encoders, coupling historical representation construction with model optimisation and repeatedly processing the same observations. We propose CTLite, a lightweight forecasting framework that decouples historical summarisation from learned prediction. Specifically, a parameter-free continuous-time moment encoder summarises local levels and trends at multiple temporal scales while suppressing poorly supported slope estimates. A compact readout combines damped local extrapolation with a low-rank cross-variable correction that accounts for observation freshness, target availability, and forecast horizon. Since the historical summaries are independent of trainable parameters and forecast queries, they can be reused across optimisation steps and repeated predictions for an unchanged history without altering predictions or parameter gradients. Experiments on four real-world benchmarks show that CTLite achieves the best or second-best mean MSE and MAE among the evaluated methods with only 88-2,537 trainable parameters. Under matched GPU workloads at batch size 32, CTLite reduces inference latency by 18.6-87.3% compared with the latest models, including the cost of historical encoding. Reusing summaries further reduces total runtime by approximately 52% over 16 forecast calls on the same history compared with recomputing the encoder for every call, including the initial encoding cost. The code is at: https://github.com/SSMa913/NICLab-CTLite.
• Abstract（参考訳）: 不規則な多変量時系列予測(IMTSF)では、疎度で非同期な観測から時間的ダイナミクスと相互変数依存性をキャプチャする必要がある。 既存の手法は、しばしば学習された時間エンコーダに依存し、過去の表現構造とモデル最適化を結合し、同じ観測を繰り返し処理する。 我々は,学習した予測から過去の要約を分離する軽量な予測フレームワークであるCTLiteを提案する。 具体的には、パラメータフリー連続時間モーメントエンコーダは、低支持斜面推定を抑えつつ、複数の時間スケールで局所的なレベルと傾向を要約する。 コンパクトな読み出しは、減衰した局所外挿と低ランクのクロス変数補正を組み合わせることで、観測の鮮度、目標可利用性、予測地平線を考慮に入れている。 過去の要約はトレーニング可能なパラメータや予測クエリとは独立しているため、予測やパラメータ勾配を変更することなく、最適化ステップと変化しない履歴の繰り返し予測を再利用することができる。 4つの実世界のベンチマーク実験により、CTLiteは、88-2,537のトレーニング可能なパラメータしか持たない評価手法の中で、最高の、または2番目の平均MSEとMAEを達成することが示された。 バッチサイズ32のGPUワークロードにマッチすると、CTLiteは、過去のエンコーディングコストを含む最新のモデルと比較して、推論遅延を18.6～87.3%削減する。 要約の再利用は、初期符号化コストを含む全ての呼び出しに対してエンコーダを再計算するのと比較して、同じ履歴上の16の予測コールに対して、全体のランタイムを約52%削減する。 コードは https://github.com/SSMa913/NICLab-CTLite.com にある。

関連論文リスト

• RATL: Learning from Retrieved Residuals for Robust Multivariate Time-Series Forecasting [5.438470957632042]
  本稿では,プラグイン残差検索およびフィードバック補正手法であるRATLを提案する。 RATLはベース予測器を凍結し、検索キーを構築し、その履歴予測残余をベースモデル固有の列車専用メモリに変換する。 実験により、過去の残余が現在の文脈と一致し、再利用可能な予測情報を含んでいることが示された。
  論文  参考訳（メタデータ） (2026-09-03T14:44:31Z)
• AsyTO: Asymmetric Temporal Operator for Parameter-Efficient Multivariate Time Series Forecasting [23.144631818853597]
  変数当たりの独立予測器の学習は、変数数、文脈長、地平線といった積で成長するコストで柔軟性を回復することを示す。 本稿では,多変数演算子のテンソルを,共有だが異なる履歴読影モードと将来書込みモードに分解する非対称演算子AsyTOを提案する。
  論文  参考訳（メタデータ） (2026-08-17T04:42:16Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• 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)
• ATTS: Asynchronous Test-Time Scaling via Conformal Prediction [112.54016379556073]
  大規模な言語モデル(LLM)は、テスト時のスケーリングの恩恵を受けるが、しばしば高い推論遅延によって妨げられる。 統計的に保証された適応スケーリングフレームワークであるATTS(Asynchronous Test-Time Scaling)を紹介する。 ATTSは、テストタイムのスケーリングにおいて最大56.7倍のスピードアップと4.14倍のスループット向上を実現している。
  論文  参考訳（メタデータ） (2025-09-18T16:55:09Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• SpectraNet: Multivariate Forecasting and Imputation under Distribution Shifts and Missing Data [40.21502451136054]
  SpectraNetは時系列予測モデルであり、最近の観測履歴に時間的ダイナミクスと相関関係を動的に推論する。 畳み込みニューラルネットワークは、学習した表現を、成分を逐次混合し、出力を精製することによってマッピングする。 提案手法は, 過去の観測を同時に予測し, 補間し, 生産システムを大幅に単純化することができる。
  論文  参考訳（メタデータ） (2022-10-22T18:07:31Z)
• Imputing Missing Observations with Time Sliced Synthetic Minority Oversampling Technique [0.3973560285628012]
  本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。 我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。 これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
  論文  参考訳（メタデータ） (2022-01-14T19:23:24Z)
• 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)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。