論文の概要: From Fixed Defaults to Calibrated Activation Policies for Long-Term Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2611.06559v2
• Date: Thu, 05 Nov 2026 05:18:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.407587
• Title: From Fixed Defaults to Calibrated Activation Policies for Long-Term Time-Series Forecasting
• Title（参考訳）: 長期予測のための固定デフォルトからキャリブレーション・アクティベーション・ポリシーへ
• Abstract要約: 本研究の目的は,タスク固有のアクティベーション選択が予測精度を向上させることにある。 従来の実験から信頼性の高いデフォルトを学習するキャリブレーションされた選択ポリシーを開発する。 1,225 Informerトレーニングがサポートする評価では、17のデータセット変種と51の予測タスクが実行され、平均2乗誤差を平均7.86%削減する。
• 参考スコア（独自算出の注目度）: 8.849213964202645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term time-series forecasting supports decisions in energy, transportation, and other applications where reliable predictions are needed beyond the observed data. Although forecasting research has advanced model architectures, fixed activation configurations provide limited guidance on how activation choices should vary across datasets and prediction horizons. This study aims to establish when task-specific activation choices improve forecasting accuracy and how previous experiments can guide the selection of suitable configurations for new tasks. We develop a calibrated selection policy that learns a reliable default from prior experiments, adapts the activation function and its location to each task, and retains the default when evidence for a change is insufficient. In an evaluation supported by 1,225 Informer training runs across 17 dataset variants and 51 forecasting tasks, the policy reduces mean squared error by 7.86% on average relative to the conventional fixed-activation baseline and improves 72.55% of tasks. These findings establish activation choice and placement as practical opportunities for improving existing forecasting models and show how accumulated experimental evidence can guide configuration decisions without repeating an exhaustive search for every task.
• Abstract（参考訳）: 長期の時系列予測は、観測データを超える信頼性のある予測が必要なエネルギー、輸送、その他のアプリケーションにおける決定を支援する。 予測研究には高度なモデルアーキテクチャがあるが、固定されたアクティベーション構成は、データセットと予測水平線の間でアクティベーションの選択がどう変化するべきかを限定的なガイダンスを提供する。 本研究の目的は,タスク固有のアクティベーション選択が予測精度を向上させること,新しいタスクに適した設定の選択を前回の実験がどのようにガイドできるかを明らかにすることである。 従来の実験から信頼性の高いデフォルトを学習し、アクティベーション関数とその位置を各タスクに適応させ、変更の証拠が不十分な場合にデフォルトを保持する。 1,225 Informerトレーニングが17のデータセット変種と51の予測タスクにまたがって実施する評価では、従来の固定アクティベーションベースラインに対する平均2乗誤差を7.86%削減し、タスクの72.55%を改善している。 これらの結果は、既存の予測モデルを改善するための実践的な機会として活性化選択と配置を確立し、蓄積された実験的証拠が、全てのタスクの徹底的な探索を繰り返すことなく構成決定をガイドできることを示す。

関連論文リスト

• Multi-Task Active Learning with Efficient Resource Allocation [1.0743633102172234]
  多くの科学的研究は、データラベリング中に高価な補助情報を収集するが、配備時には収集しない。 コスト適応型タスクリソースアロケーション(ALCATRA)を用いたアクティブラーニングを導入する。 ALCATRAは2つの主要なコンポーネントから構成されており、未ラベルデータに対してコスト効率の高い一連のタスクを戦略的に選択するタスク選択ポリシーと、完成したタスクから知識を伝達してモデル予測を強化するサロゲート学習手順である。
  論文  参考訳（メタデータ） (2026-10-05T01:17:59Z)
• Not Every Correction Helps: Gain-Guided Continual Test-Time Adaptation [25.480130068775114]
  連続的なテスト時間適応は、ソースモデルを、時間とともに分布が変化する可能性のあるラベルのないテストストリームに適応させる。 本稿では,バックプロパゲーションフリーなCTTAフレームワークであるGain-Aware Intervention (GAIN)を提案する。
  論文  参考訳（メタデータ） (2026-09-29T03:56:08Z)
• Multi-Task Bayesian In-Context Learning [41.16196712546687]
  本稿では,階層型ベイズ予測推定のためのマルチタスク・インコンテキスト学習フレームワークを提案する。 先行タスクと対象タスクのシーケンスに基づいてトレーニングされたトランスフォーマーは、前者の家族間で予測を適用することを学ぶ。 提案手法は,既存の手法よりも桁違いに高速であると同時に,オラクル予測器と一致している。
  論文  参考訳（メタデータ） (2026-06-18T17:50:10Z)
• Predict-then-Optimize for Seaport Power-Logistics Scheduling: Generalization across Varying Tasks Stream [5.75432978300135]
  現代の海港におけるパワーロジスティクスのスケジューリングは、予測に最適化されたパイプラインに従うのが一般的である。 予測モデルのトレーニングを下流の意思決定結果と整合させる決定中心の学習法が提案されている。 このギャップを、オンラインのスケジューリングタスクのストリームに適応する意思決定中心の継続的学習フレームワークで解決する。
  論文  参考訳（メタデータ） (2025-11-11T07:36:08Z)
• Test-time Offline Reinforcement Learning on Goal-related Experience [50.94457794664909]
  基礎モデルの研究では、テストタイムトレーニングによってパフォーマンスが大幅に改善できることが示されている。 本稿では、オフラインデータセットから現在の状態への関連性に応じて遷移を選択する、新しい自己教師型データ選択基準を提案する。 目標条件付きテストタイムトレーニング(GC-TTT)アルゴリズムは、評価中にこのルーチンを後退水平方式で適用し、現在の軌道にポリシーを適用する。
  論文  参考訳（メタデータ） (2025-07-24T21:11:39Z)
• Active Test-time Vision-Language Navigation [60.69722522420299]
  ATENAは、不確実なナビゲーション結果に対するエピソードフィードバックを通じて、実用的な人間とロボットのインタラクションを可能にする、テスト時のアクティブな学習フレームワークである。 特にATENAは、成功エピソードにおける確実性を高め、失敗エピソードにおいてそれを減らすことを学び、不確実性の校正を改善している。 さらに,自信ある予測に基づいて,エージェントがナビゲーション結果を評価することができる自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-07T02:24:44Z)
• Model Predictive Task Sampling for Efficient and Robust Adaptation [57.414812940406996]
  本稿では,タスク空間と適応リスク分布をブリッジするフレームワークであるモデル予測タスクサンプリング(MPTS)を紹介する。 MPTSは、エピソード最適化プロセスの特徴付けに生成モデルを使用し、後部推論によりタスク固有の適応リスクを予測する。 MPTSはゼロショット、少数ショット、教師付き微調整設定にシームレスに統合される。
  論文  参考訳（メタデータ） (2025-01-19T13:14:53Z)
• Experiment Planning with Function Approximation [49.50254688629728]
  本研究では,文脈的帯域幅問題における関数近似を用いた実験計画の問題点について検討する。 本稿では,関数近似に適合する2つの実験計画戦略を提案する。 そこで, 均一サンプリング器は, 動作数が少ない設定において, 競合最適性を達成できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T14:40:23Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)

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。