論文の概要: When to Trust Memory: Retrieval-Guided Probabilistic Spatiotemporal Forecasting under Distribution Shift

• arxiv url: http://arxiv.org/abs/2610.32329v1
• Date: Fri, 23 Oct 2026 08:25:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.434178
• Title: When to Trust Memory: Retrieval-Guided Probabilistic Spatiotemporal Forecasting under Distribution Shift
• Title（参考訳）: 記憶を信頼する時--分布シフトによる確率的時空間予測の検索
• Abstract要約: REMINDは、分布シフト下での時間予測のための検索誘導確率的フレームワークである。 予測精度と確率予測品質の両方において、最先端の手法を一貫して上回る。
• 参考スコア（独自算出の注目度）: 28.90240579680675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatiotemporal forecasting plays an important role in real-world applications, where probabilistic approaches provide uncertainty estimates for decision-making. Real-world systems are inherently non-stationary, leading to distribution shifts between training and test data. However, existing probabilistic methods mainly focus on modeling data distributions under standard settings, while distribution shift methods often handle such shifts in a coarse manner, failing to characterize shift degree and adapt prediction strategy accordingly. As a result, they often produce miscalibrated and unreliable forecasts. To address this issue, we propose REMIND, a retrieval-guided probabilistic framework for spatiotemporal forecasting under distribution shift. REMIND leverages retrieval to estimate how well current observation are supported by historical patterns, enabling adaptive prediction under different shift regimes. It employs spatiotemporal retrieval to construct a memory bank and introduces a dual branch architecture, combining a memory-calibrated probabilistic branch for mild shifts with a deviation-aware probabilistic branch for severe shifts. A shift-adaptive gate, guided by retrieval similarity and memory dispersion, balances the two branches according to shift degree. We further design a hierarchical Gaussian mixture to capture heterogeneous uncertainty over the dual branch predictions, and introduce a memory perturbation training scheme to improve generalization. Experiments on real-world datasets with distribution shifts demonstrate that REMIND consistently outperforms state-of-the-art methods in both forecasting accuracy and probabilistic prediction quality.
• Abstract（参考訳）: 時空間予測は現実の応用において重要な役割を担い、確率論的アプローチは意思決定に不確実な見積もりを提供する。 現実世界のシステムは本質的に非定常的であり、トレーニングデータとテストデータの間の分散シフトにつながる。 しかし,従来の確率論的手法は主に標準設定下でのデータ分布のモデル化に重点を置いているのに対し,分布シフト法はしばしば粗い方法でそのようなシフトを処理し,シフト度を特徴付けることができず,それに応じて予測戦略を適応させることができない。 結果として、しばしば誤った校正と信頼性の低い予測が生み出される。 この問題に対処するために,分布シフト下での時空間予測のための検索誘導確率的フレームワークREMINDを提案する。 REMINDは検索を利用して、現在の観測が歴史的パターンによってどれだけうまくサポートされているかを推定し、異なるシフト体制下で適応予測を可能にする。 時空間探索を用いてメモリバンクを構築し、2重分岐アーキテクチャを導入し、軽度シフトのためのメモリ校正確率分岐と重度シフトのための偏差対応確率分岐を組み合わせた。 検索類似性とメモリ分散によって導かれるシフト適応ゲートは、シフト度に応じて2つのブランチのバランスをとる。 さらに、二重分岐予測の不均一性を捉えるために、階層型ガウス混合物を設計し、一般化を改善するためのメモリ摂動トレーニングスキームを導入する。 分布シフトを伴う実世界のデータセットの実験では、REMINDは予測精度と確率予測品質の両方において、最先端の手法を一貫して上回っている。

関連論文リスト

• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Calibrated Prediction with Covariate Shift via Unsupervised Domain Adaptation [25.97333838935589]
  不確実性推定は、自律的なエージェントや人間の意思決定者が予測モデルを理解し、活用するのを助ける重要なツールである。 既存のアルゴリズムは確実性を過大評価し、予測モデルに誤った自信を与える可能性がある。
  論文  参考訳（メタデータ） (2020-02-29T20:31:04Z)

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。