論文の概要: SynForecast: Controlled Synthetic Time Series for Forecasting Research
- arxiv url: http://arxiv.org/abs/2611.02802v1
- Date: Mon, 02 Nov 2026 09:10:56 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 20:07:50.946219
- Title: SynForecast: Controlled Synthetic Time Series for Forecasting Research
- Title（参考訳）: SynForecast: 予測研究のための制御された合成時系列
- Abstract要約: 我々は32のジェネレータを備えたオープンソースのPythonライブラリであるSynForecastを紹介する。
摂動とメカニズムファミリは、他のすべてが固定されている間に変更することができる。
合成ベースラインは、10つの周波数/履歴の組み合わせのうち9つの最小誤差に達する。
- 参考スコア（独自算出の注目度）: 3.4013301387195263
- License:
- Abstract: Synthetic time series constitute a substantial share of the training corpora of several recent forecasting foundation models. Existing studies report benefits at small data budgets and modest synthetic proportions, but each evaluates individual combinations of model and generator. Studying these benefits systematically requires generators that support controlled configuration, perturbation, reproducibility and mechanism-level ablation, and the 11 existing generators we review show gaps in this combined support. We present SynForecast, an open-source Python library with 32 generators, 19 of which implement named mechanisms with a published source in econometrics, quantitative finance, statistical physics and point-process theory. Perturbations and mechanism families can be varied while everything else is held fixed, output comes in the long format that forecasting libraries accept, and output does not depend on the number of parallel workers. We evaluate SynForecast on M4 at five frequencies with a neural network and a gradient-boosted ensemble. A classical baseline attains the lowest error in nine of ten frequency-history combinations. A synthetic prior outperforms the same network trained from scratch at a fixed budget by up to 34% with a few dozen observations, but loses to it at full history at every frequency, and none of three pre-specified rescalings of history predicts where the sign changes. At the hourly frequency, where the prior fails at every history, the corpus lacks daily cycles; adding them reduces zero-shot error by 43 to 63% for both models. Fine-tuning outperforms training from scratch by up to about 15%, but at short histories a fixed 300-step fine-tune is worse than the pretrained model used as is. Removing the classical mechanism family costs about 2% for both models; every other family has a smaller effect outside the hourly frequency.
- Abstract（参考訳）: 合成時系列は、最近の予測基礎モデルのトレーニングコーパスのかなりの割合を占める。
既存の研究では、小さなデータ予算と控えめな合成比率での利点を報告しているが、それぞれがモデルとジェネレータの個々の組み合わせを評価している。
これらの利点を体系的に研究するには、制御された構成、摂動、再現性、メカニズムレベルのアブレーションをサポートするジェネレータが必要である。
我々は,32個のジェネレータを備えたオープンソースのPythonライブラリであるSynForecastについて紹介する。
摂動とメカニズムファミリは、他のすべてが固定されている間に変化し、出力は、ライブラリが受け入れる長いフォーマットで得られ、出力は並列ワーカーの数に依存しない。
ニューラルネットワークと勾配発声アンサンブルを用いて,M4上のSynForecastを5周波数で評価した。
古典的な基準線は10の周波数/歴史の組み合わせのうち9つの最小誤差に達する。
合成前のネットワークは、固定された予算でゼロからトレーニングされたネットワークを最大34%上回り、数十の観測結果が得られたが、すべての周波数で完全な歴史で失われる。
あらゆる履歴で前回が失敗する時間帯では、コーパスは日々のサイクルを欠き、両方のモデルでゼロショットエラーを43～63%削減する。
ファインチューニングは、スクラッチからトレーニングを最大15%向上させるが、短い歴史では300ステップのファインチューンは、既存のトレーニング済みのモデルよりも悪い。
古典的なメカニズムのファミリーの取り外しは、両方のモデルで約2%のコストがかかる。
関連論文リスト
- Timestral [215.26788762809613]
確率予測のための4つの時系列基礎モデルのファミリーであるTimestralを紹介する。
TimestralはGIFT-Eval、TIME、fev-benchで、Timestral-209MとTimestral-123Mがそれぞれの指標で上位2位を占めている。
論文 参考訳（メタデータ） (2026-10-27T17:25:43Z) - Stochastically Perturbed Weights: Ensembles from Deterministic Machine-Learning Weather Models [0.0]
多くの機械学習気象モデル(MLWM)は決定論的であり、その不確実性を見積もることなく単一の予測を生成する。
訓練された確率的なモデルの家族は、専用トレーニングランの価格で、キャリブレーションされたアンサンブルを直接生成します。
我々は、すでに存在する決定論的チェックポイントから、どの程度の不確実性を取り出すことができるのかを、再訓練することなく尋ねる。
論文 参考訳（メタデータ） (2026-09-08T08:18:40Z) - Characterizing Model Behavior Under Synthetic Data Training: An Empirical Study Across Scales and Mixing Ratios [1.631115063641726]
本稿では, モデル性能, キャリブレーション, 出力特性を, 各種合成・外部データ比で学習した場合に比較検討する。
モデルが最大20%の合成データで安定した性能を維持するが、劣化は30%以上加速する。
80%以上の外部データを維持するSTaRやセルフインストラクトシステムで採用されている現在のベストプラクティスは、我々の実験によって特定された安全な体制の中でうまく機能する。
論文 参考訳（メタデータ） (2025-10-01T03:28:01Z) - FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。
FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。
その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
論文 参考訳（メタデータ） (2025-07-16T11:22:18Z) - Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。
1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。
異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
論文 参考訳（メタデータ） (2025-05-24T00:45:07Z) - Output Scaling: YingLong-Delayed Chain of Thought in a Large Pretrained Time Series Forecasting Model [55.25659103706409]
このフレームワークは,設計した基盤モデルであるYingLongの最先端性能を実現する。
YingLongは、マスク付きトークンリカバリによってトレーニングされた非因果的双方向アテンションエンコーダのみのトランスフォーマーである。
我々は、6Mから3Mパラメータの4つの基礎モデルをリリースし、ゼロショットタスクにおいて優れた結果を示す。
論文 参考訳（メタデータ） (2025-05-20T14:31:06Z) - Towards Foundation Time Series Model: To Synthesize Or Not To
Synthesize? [2.8707270250981094]
本論では,合成データに基づく基礎モデルの学習に有利であるか,限られた実例のみを利用する方がよいか,という課題について考察する。
本実験は,通常の時系列のみを対象として実施し,実時間時系列のみを活用することを優先して述べる。
論文 参考訳（メタデータ） (2024-03-04T23:03:17Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。
提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文 参考訳（メタデータ） (2023-12-03T05:52:30Z) - Let's Synthesize Step by Step: Iterative Dataset Synthesis with Large
Language Models by Extrapolating Errors from Small Models [69.76066070227452]
※データ合成*はラベル付きデータの少ない小さなモデルをトレーニングするための有望な方法です。
本稿では,この分散ギャップを縮めるデータ合成フレームワークであるStep* (**S3**) による合成ステップを提案する。
提案手法は,合成データセットと実データとのギャップを小さくすることで,小型モデルの性能を向上させる。
論文 参考訳（メタデータ） (2023-10-20T17:14:25Z) - 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)
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。