論文の概要: CATF: A Manager-Worker Framework for Context-Aware Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2611.05325v1
• Date: Tue, 03 Nov 2026 18:28:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 12:56:18.403895
• Title: CATF: A Manager-Worker Framework for Context-Aware Time-Series Forecasting
• Title（参考訳）: CATF: コンテキスト対応の時系列予測のためのマネージャ-ワーキングフレームワーク
• Abstract要約: 本研究では,その履歴とコンテキスト変数の集合から,単一の対象変数が予測されるコンテキスト対応時系列予測について検討する。 トランスフォーマーベースのマネージャは、コンテキストに基づいて各入力を単一のWorkerにルーティングする。
• 参考スコア（独自算出の注目度）: 4.234864878624664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study context-aware time-series forecasting, in which a single target variable is predicted from its own history and a set of contextual variables, such as weather and calendar information. As the context becomes more diverse, a single model struggles to capture all of its regimes, while ensemble learning and Mixture-of-Experts approaches rely on manual data partitioning or soft routing, which increases the inference cost and hinders interpretability. We propose CATF, a Context-Aware Time-Series Forecasting framework built on a Manager-Worker architecture: a Transformer-based Manager routes each input to a single Worker based on the context, using hard routing during both training and inference. The Workers thus specialize without manual data partitioning, and any single-model forecaster can serve as a Worker. On five context-rich datasets, four horizons, and two normalization schemes, CATF improves over its standalone counterpart in 162 of 200 comparisons, the best CATF-enhanced model outperforms the best standalone baseline in 19 of 20 settings, and it outperforms the zero-shot Time-MoE foundation model in 15 of 20 settings. A case study on bike-sharing data shows that the Manager routes inputs by the calendar and that each Worker specializes in a different weekly pattern.
• Abstract（参考訳）: 本研究では,気象情報やカレンダー情報などのコンテキスト変数群と,その履歴から1つの対象変数が予測されるコンテキスト対応時系列予測について検討する。 コンテキストが多様化するにつれて、単一のモデルがすべてのレシエーションを捉えるのに苦労する一方で、アンサンブル学習とMixture-of-Expertsアプローチは手動のデータパーティショニングやソフトルーティングに依存し、推論コストを増大させ、解釈可能性を妨げる。 本稿では,Content-Aware Time-Series ForecastingフレームワークであるCATFを提案する。Transformerベースのマネージャは,トレーニングと推論の両方においてハードルーティングを使用して,各入力をコンテキストに基づいて単一のWorkerにルーティングする。 そのため、Workersは手動のデータパーティショニングなしで専門化し、単一のモデル予測器はWorkerとして機能する。 5つのコンテキストに富んだデータセット、4つの地平線、2つの正規化スキームにおいて、CATFは200の比較のうち162のスタンドアロンモデルよりも改善され、最高のCATF強化モデルは20のセッティングの19で最高のスタンドアロンベースラインを上回り、ゼロショットのTime-MoEファンデーションモデルを20のセッティングの15で上回ります。 自転車共有データに関するケーススタディでは、マネージャがカレンダーによって入力をルーティングし、各ワーカーが毎週異なるパターンで専門化していることが示されている。

関連論文リスト

• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines [5.543238821368548]
  時系列はしばしば、異なる時間帯と領域にまたがる時間パターンに顕著な多様性を示す。 Time Trackerは、精度、モデルの一般化、適応性を予測する際に最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-21T06:18:41Z)
• UniSTD: Towards Unified Spatio-Temporal Learning across Diverse Disciplines [64.84631333071728]
  本稿では,時間的モデリングのためのトランスフォーマーベースの統合フレームワークであるbfUnistageを紹介する。 我々の研究は、タスク固有の視覚テキストが時間学習のための一般化可能なモデルを構築することができることを示した。 また、時間的ダイナミクスを明示的に組み込むための時間的モジュールも導入する。
  論文  参考訳（メタデータ） (2025-03-26T17:33:23Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• Large Pre-trained time series models for cross-domain Time series analysis tasks [20.228846068418765]
  Large Pre-trained Time-Series Models (LPTM) は、事前トレーニング中に最適なデータセット固有のセグメンテーション戦略を自動的に識別する適応セグメンテーションの新しい手法である。 LPTMは、最先端のベースラインに比べて最大40%データが少なく、トレーニング時間も50%少ない。
  論文  参考訳（メタデータ） (2023-11-19T20:16:16Z)
• Unifying Language Learning Paradigms [96.35981503087567]
  データセットやセットアップ全体にわたって普遍的に有効である事前学習モデルのための統一的なフレームワークを提案する。 本研究では, 事前学習対象を相互に配置し, 異なる対象間の補間を効果的に行う方法を示す。 また,テキスト内学習において,ゼロショットSuperGLUEで175B GPT-3,ワンショット要約でT5-XXLの性能を3倍に向上させた。
  論文  参考訳（メタデータ） (2022-05-10T19:32:20Z)
• IDEA: Interpretable Dynamic Ensemble Architecture for Time Series Prediction [11.398865093869881]
  本稿では,解釈可能なベース学習者が群としての疎コミュニケーションと独立して予測を行うための,解釈可能な動的アンサンブルアーキテクチャ(IDEA)を提案する。 予測精度はTOURISMデータセットで最高の統計ベンチマークで2.6%向上し、M4データセットで最高のディープラーニングベンチマークで2%向上した。
  論文  参考訳（メタデータ） (2022-01-14T08:24:44Z)

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。