論文の概要: Local and Global Recursive Ridge Regression for Online Residual Correction of Frozen Multivariate Forecasters under Label Delay
- arxiv url: http://arxiv.org/abs/2610.29604v1
- Date: Wed, 21 Oct 2026 11:43:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.349691
- Title: Local and Global Recursive Ridge Regression for Online Residual Correction of Frozen Multivariate Forecasters under Label Delay
- Title（参考訳）: ララベル遅延下における凍結多変量予測器のオンライン残差補正のための局所的および大域的再帰リッジ回帰
- Abstract要約: そこで我々はDRiC (DCT Ridge Corrector) を提案する。
8つのDCT係数(DRiC-L8)を持つDRiC-Lは平均126条件で平均2乗誤差(MSE)を14.55%削減する。
グローバルな変種であるDRiC-Gは、全てのチャネルを1つのレグレッションにまとめるが、その統計はチャネル数に依存しない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A frozen multi-horizon forecaster can be corrected online from its own residuals. However, under label delay the target of a block arrives only after the whole horizon has passed, and the corrector's retained state grows with the number of channels. Aiming to combine a small retained state with a large error reduction, we propose DRiC (DCT Ridge Corrector), which fits a ridge regression of the leading discrete cosine transform (DCT) coefficients of the next residual block on those of the frozen forecast and of the latest input block, with sufficient statistics updated recursively. Its local variant, DRiC-L, keeps one such regression per channel; its global variant, DRiC-G, pools all channels into one regression, whose statistics do not depend on the channel count. A guard tracks a running scale of the frozen forecast's residual for each channel; it skips updates on blocks far outside that scale and clips the issued correction. We evaluate on seven datasets (four ETT series, Weather with its missing-value codes filled, Electricity, and Traffic) with DLinear, PatchTST, and iTransformer backbones, against 10 naive, gradient-trained, and closed-form methods. DRiC-L with eight DCT coefficients (DRiC-L8) reduces the mean squared error (MSE) by 14.55% on average over 126 conditions, against 12.98% for ELF, the most accurate comparator, while retaining 15-17 times less state, although ELF is more accurate on Traffic. DRiC-G retains 14.6 kB on the 321-channel Electricity data and 18.9 kB on the 862-channel Traffic data and is the most accurate method at or below its state on both. However, 5 to 7 of the 10 comparators, all with at least 10 times its state, are more accurate there. On the unfilled Weather file, DRiC-L8 without the guard has on average 8.0 times the frozen forecast's MSE, whereas with the guard it reduces the MSE by 7.94%. Code: https://github.com/keiotakmin/dric.
- Abstract（参考訳）: 凍結したマルチホライゾン予測器は、自身の残余からオンラインで修正することができる。
しかし、ラベルの遅延の下では、ブロックのターゲットは水平線全体が通過した後のみ到着し、修正者の保持状態はチャネルの数とともに増加する。
凍結予測と最新の入力ブロックに対して,次の残留ブロックの先頭離散コサイン変換 (DCT) 係数のリッジ回帰に適合するDRiC (DCT Ridge Corrector) を提案する。
グローバルな変種であるDRiC-Gは、すべてのチャネルを1つのレグレッションにまとめるが、その統計はチャネル数に依存しない。
ガードは、各チャネルの凍結予測残差のランニングスケールを追跡し、そのスケール外のブロックの更新をスキップし、発行された修正をクリップする。
我々は,DLinear,PatchTST,iTransformerのバックボーンを用いた7つのデータセット(4つのETTシリーズ,Weather with its missing-value codes、Electricity, Traffics)を,10のナイーブ,勾配,閉形式の手法に対して評価した。
8つのDCT係数 (DRiC-L8) を持つDRiC-Lは、平均126以上の条件で平均2乗誤差 (MSE) を14.55%削減する。
DRiC-Gは321チャンネルの電気データに14.6kB、862チャンネルの交通データに18.9kBを保持し、その両方で最も正確な方法である。
しかし、10のコンパレータのうち5から7は、いずれも少なくとも10倍の精度である。
未充填の気象ファイルでは、ガードのないDRiC-L8は凍結予測のMSEの8.0倍であり、ガードではMSEを7.94%削減する。
コード:https://github.com/keiotakmin/dric.com
関連論文リスト
- LeapQuant: Efficient Linear Attention with Accurate Recurrent State Quantization [60.59339465850602]
本論文では、8ビットのリカレント状態量子化の下で、ほぼ無作為な性能を実現する学習不要なLeapQuantを提案する。
LeapQuantは、推論中にメモリと計算コストを大幅に削減することを示す。
FP32ベースラインに匹敵する精度で、カーネルレベルでは2.05--3.70$times$、エンドツーエンドの推論では1.47$times$となる。
論文 参考訳（メタデータ） (2026-09-29T17:59:34Z) - GAUGE: Group-Wise View-Inconsistency Rectification for Feed-Forward 4D Tracking [48.91477882822122]
本稿では,GAUGE(Group-wise Adaptive Unsupervised Gauge Estimation)について述べる。
方向整合性と空間接続性から運動群を復元し、フレーム単位のラジアルスケールとグループレベルの変換を推定する。
D4RT, 4RC, SM4RTを含む8つのトラッカーの動的クエリポイントでは, 訂正されていない予測に対して, 終端誤差を15.1%から62.6%削減する。
論文 参考訳（メタデータ） (2026-09-26T13:14:53Z) - EPOC: Endpoint-Preserving Online Correction With Compressed Residual State for Multi-Horizon Time Series Forecasting [0.0]
圧縮残留状態を用いて低次離散コサイン変換係数を記憶する。
各チャネル内では、エンドポイントはコンポーネントワイドのオンラインリッジレグレッション間で共有される。
EPOCは平均二乗誤差(MSE)と平均絶対誤差(MAE)を補正されていないベースから15.40%から9.35%減らす。
論文 参考訳（メタデータ） (2026-09-25T07:43:49Z) - Conditional Predictive Sufficient Statistics for Visual Representation Learning [0.0]
有用な視覚表現は、観測された過去の統計であり、将来と共有される潜在因子を保持し、パッチプライベートノイズを破棄する。
我々はこの要件を条件付き予測十分統計(CPSS)として定式化する。
MNISTとCIFAR-10の小さな因果トランスフォーマーは、リーダーボードとしてではなく診断として使用される。
論文 参考訳（メタデータ） (2026-09-25T00:36:49Z) - One Patch, Three Roles: What Is Actually Coupled in Autoregressive Time-Series Forecasting? [49.84472730204669]
凍結した親の軌道は, 軽量な平行出口で観測される未来よりも適合しやすいことを示す。
また、列車選択した周期的歴史方向に沿って補正可能な残射も見出す。
Tangentはこの修正を、ニューラルパラメータやTransformerコールを追加せずに適用する。
論文 参考訳（メタデータ） (2026-09-20T14:54:35Z) - Do Better Imagined Rollouts Mean Better Robot Control? A Controlled Study of World-Model Evaluation Under Feedback [2.5209477824050954]
予測モデルは、固定地平線上でのオープンループ予測精度によってしばしば判断される。
クローズドループ操作では、ロボットが繰り返し行動し、新しい測定値を受け取り、状態推定を更新し、制御を再計算する。
正則な修正が保たれている場合, 長い予測地平線は情報的であり, 補正なしの長時間のロールアウトは閉ループの挙動と大きく異なるランキングを生成できることを示す。
論文 参考訳（メタデータ） (2026-09-02T16:52:30Z) - SS-ESOAP: Self-Scaled Adaptive Preconditioning for Physics-Informed Learning [70.71795707610961]
メソッドは、Kronecker幾何に適応したスカラーセマントエネルギー補正でSOAPスタイルのプレコンディショニングを強化する。
メソッドは8つのPDEベンチマークのうち6つで最下位の残差に達する。
4つの代表PDEの3列の$L2$と$H1$エラーは、低い残差と改善された解精度の間のリンクをサポートする。
論文 参考訳（メタデータ） (2026-08-29T21:34:47Z) - TRACE-C: Rank-Calibrated Relational Anomaly Detection for Multi-Stream Operational Telemetry [0.0]
TRACE-Cは、アライメントされたマルチストリームテレメトリのための、監査可能な厳密なランク校正型検出器である。
われわれは、2019年1月から4月にかけての6つのグリッドストリーム、2019年7月から12月にかけての開発証拠、検査前に凍結した2020年のホールドアウトを評価した。
論文 参考訳（メタデータ） (2026-08-21T16:01:56Z) - Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。
HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。
CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
論文 参考訳（メタデータ） (2023-09-29T13:09:40Z) - SLOE: A Faster Method for Statistical Inference in High-Dimensional
Logistic Regression [68.66245730450915]
実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。
私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
論文 参考訳（メタデータ） (2021-03-23T17:48:56Z)
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。