論文の概要: Koopman Generative Operators for Efficient Probabilistic Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2611.04760v1
• Date: Tue, 03 Nov 2026 12:08:37 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:35:36.50401
• Title: Koopman Generative Operators for Efficient Probabilistic Time-Series Forecasting
• Title（参考訳）: Koopman Generative Operators for Efficient Probabilistic Time-Series Preecasting
• Abstract要約: 我々は,構造的不確実性の進化として予測を概念化する確率予測手法であるKoopman Generative Operator (KGO)を紹介する。 Koopman Patch Embedding (KoPE) for temporally consistent latent trajectory extrapolation, 2) Koopman Flow Matching (KoFM) which allowing fast, single-step generation through a closed-form matrix index in a Koopman latent space bypassing iterative sample, (3) Adaptive Uncertainty Gate (AUG) which provide probabilistic forecasts by Adaptive per-variable and per-horizon, corresponding to a learned decomposition of a aleatoric uncertainty without manual。
• 参考スコア（独自算出の注目度）: 10.743611219186837
• License:
• Abstract: Probabilistic time-series forecasting requires models that simultaneously capture structured temporal dynamics, expressive uncertainty, and efficient inference, yet existing approaches fall short of this goal: latent dynamical models impose structure but rely on restrictive generation mechanisms, while modern generative methods such as diffusion and flow matching achieve flexibility at the cost of iterative and computationally expensive sampling. We introduce the Koopman Generative Operator (KGO), a probabilistic forecasting method that conceptualizes prediction as the evolution of structured uncertainty. KGO integrates three core components: (1) Koopman Patch Embedding (KoPE) for temporally consistent latent trajectory extrapolation; (2) Koopman Flow Matching (KoFM), which enables fast, single-step generation through a closed-form matrix exponential in a Koopman latent space, bypassing iterative sampling; and (3) an Adaptive Uncertainty Gate (AUG), which provides probabilistic forecasts by adapting uncertainty per-variable and per-horizon, corresponding to a learned decomposition of aleatoric uncertainty without manual tuning. By unifying these components, KGO achieves state-of-the-art accuracy on 13/17 ProbTS benchmarks in CRPS and 16/17 in NMAE. Further, by eliminating iterative sampling, KGO delivers at least a 25$\times$ reduction in inference time compared to iterative generative models. These results position KGO as a practical and principled framework that advances the accuracy-efficiency trade-off in probabilistic time-series forecasting, combining leading accuracy on the evaluated benchmarks with fast, single-step generation.
• Abstract（参考訳）: 確率的時系列予測には、構造的時間的ダイナミクス、表現的不確実性、効率的な推論を同時に捉えるモデルが必要であるが、既存のアプローチはこの目標には達していない: 潜在力学モデルは構造を強制するが制限的な生成機構に依存している。 我々は,構造的不確実性の進化として予測を概念化する確率予測手法であるKoopman Generative Operator (KGO)を紹介する。 KGOは, 時間的に一貫した潜在軌道外挿のためのKoPE (Koopman Patch Embedding) と, 2) Koopman Flow Matching (KoFM) の3つのコアコンポーネントを統合している。 これらのコンポーネントを統合することで、KGOはCRPSの13/17 ProbTSベンチマークとNMAEの16/17の最先端の精度を達成する。 さらに、反復サンプリングを除去することにより、KGOは反復生成モデルと比較して少なくとも25$\times$推論時間を短縮する。 これらの結果から,KGOは確率的時系列予測における精度・効率トレードオフを推し進める実践的かつ原則的なフレームワークとして位置づけられ,評価ベンチマークにおける先行精度と高速な単一ステップ生成を組み合わせている。

関連論文リスト

• Deterministic Prediction as Global Velocity: Flow Matching for Probabilistic Time-Series Forecast [7.517070288522858]
  既存のアプローチはしばしば、予測性能を改善するために決定論的予測と生成的モデリングを組み合わせる。 本稿では,移動経路の終端ではなく,決定論的予測器を並列速度成分として組み込んだフローマッチング式DV-Flowを提案する。
  論文  参考訳（メタデータ） (2026-10-13T16:02:03Z)
• Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting [59.015610520217734]
  我々は,コンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。 推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。
  論文  参考訳（メタデータ） (2026-09-29T22:47:10Z)
• DiffPTS: Rethinking Diffusion ELBO for Probabilistic Time Series Forecasting [20.843180660578792]
  確率的時系列予測には、複雑で時間的な分布をモデル化し、予測する必要がある。 Denoising Diffusion Probabilistic Model (DDPM) に基づくアプローチは、事前訓練された平均および分散推定器でdif-fusionプロセスを実装することで、有望であることを示す。 Diff-PTSは,エビデンスローバウンド内のすべてのコンポーネントのエンドツーエンドの最適化を可能にする汎用フレームワークである。
  論文  参考訳（メタデータ） (2026-09-26T08:41:10Z)
• Two-stage Odd Residual Flows for Mean-Preserving Probabilistic Time Series Forecasting [9.992963275755159]
  2段階のOdd Residual Flows (TORF) は不確実性推定から平均予測を分離するフレームワークである。 TORFは、近距離および長距離予測において、強い密度推定性能(CRPS)を提供しながら、最先端の決定論的精度(NMAE)を達成する。
  論文  参考訳（メタデータ） (2026-08-11T16:22:47Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• TimeGMM: Single-Pass Probabilistic Forecasting via Adaptive Gaussian Mixture Models with Reversible Normalization [23.69545884322676]
  TimeGMMは、単一のフォワードパスで複雑な将来の分布をキャプチャする新しいフレームワークである。 最先端の手法を一貫して上回り、CRPSでは22.48%、NMAEでは21.23%の最大改善を実現している。
  論文  参考訳（メタデータ） (2026-01-18T07:02:13Z)
• Scalable, Explainable and Provably Robust Anomaly Detection with One-Step Flow Matching [14.503330877000758]
  Time-Conditioned Contraction Matching is a novel method for semi-supervised anomaly detection in tabular data。 これは、確率分布間の速度場を学習する最近の生成モデリングフレームワークであるフローマッチングにインスパイアされている。 ADBenchベンチマークの大規模な実験により、TCCMは検出精度と推論コストのバランスが良好であることが示されている。
  論文  参考訳（メタデータ） (2025-10-21T06:26:38Z)
• 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)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)

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。