論文の概要: Echoes of Error: Residual-Directional Local Rollout Consistency for Timeseries Forecasting

• arxiv url: http://arxiv.org/abs/2611.07473v1
• Date: Thu, 05 Nov 2026 05:32:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.555258
• Title: Echoes of Error: Residual-Directional Local Rollout Consistency for Timeseries Forecasting
• Title（参考訳）: エラーのエコー: 時系列予測のための残留方向局所ロールアウト一貫性
• Abstract要約: 時系列予測では、ロールアウトエラーは単なる1段階の矛盾ではない。 我々は,この効果を,教師の強制による次の予測とフリーランニングによる予測とを比較し,局所的なロールアウト一貫性によって定式化する。 しかし実際には、入力状態と出力ブロックが異なる次元を持つ場合、残留状態アライメント演算子は設計が難しい場合が多い。
• 参考スコア（独自算出の注目度）: 8.392866887807612
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In time-series forecasting, rollout errors are not merely one-step fitting discrepancies: once fed back into the evolving state, they can perturb future predictions. We formalize this effect through local rollout consistency, which compares the next prediction produced under teacher forcing with that produced under free running. In principle, this consistency can be enforced directly by tracking the residual-induced perturbation of the next state. In practice, however, the residual-to-state alignment operator is often difficult to design when the input state and output block have different dimensions, heterogeneous components, or architecture-dependent layouts. We therefore use a first-order local surrogate that penalizes the Jacobian-vector product of the predictor along the actual feedback perturbation, suppressing precisely the directions through which self-generated errors remain visible to future predictions. We further give the same loss a geometric interpretation near a predictive manifold: by controlling residual-induced directions that probe the normal bundle, the objective yields theoretical conditions under which free-running trajectories remain inside a stability tube around the manifold. Experiments on time series forecasting tasks support this view, showing that the proposed regularization improves predictive accuracy. More broadly, our results suggest a training principle for time-series forecasters and sequential predictors: a model should not only make small one-step errors, but also learn not to let its own errors echo into the future. Code is available at https://github.com/Wangzzzzzzzz/Echoes-Of-Error.
• Abstract（参考訳）: 時系列予測では、ロールアウトエラーは単なる1段階の矛盾ではない。 我々は,この効果を,教師の強制による次の予測とフリーランニングによる予測とを比較し,局所的なロールアウト一貫性によって定式化する。 原則として、この一貫性は、次の状態の残留誘起摂動を追跡することによって直接強制することができる。 しかし、実際には、入力状態と出力ブロックが異なる次元、異質なコンポーネント、アーキテクチャに依存したレイアウトを持つ場合、残状態アライメント演算子は設計が難しいことが多い。 したがって、我々は、予測器のヤコビ-ベクトル積を実際のフィードバック摂動に沿って罰する一階局所代理を用いて、自己生成誤差が将来の予測に見え続ける方向を正確に抑制する。 正規束を探索する残留誘導方向を制御することにより、目的は多様体の周りの安定管内に自由走行軌道が残る理論的条件を導出する。 時系列予測タスクの実験は、このビューをサポートし、提案された正規化が予測精度を向上させることを示す。 より広範に、我々の結果は時系列予測器とシーケンシャル予測器のトレーニング原則を示唆している:モデルは小さなワンステップエラーを発生させるだけでなく、自分自身のエラーを未来に反映させないことも学ばなければならない。 コードはhttps://github.com/Wangzzzzzz/Echoes-Of-Error.comで入手できる。

関連論文リスト

• Look Back, Correct Forward: Error Feedback Calibration for Time Series Forecasting [14.070628827463551]
  時系列予測の定式化後補正のための完全テスト時間フレームワークであるエラーフィードバック(EFC)を紹介する。 EFCは、重複する歴史的予測の誤りを明らかにするために、因果誤差対角線(CED)を構築している。 この誤差状態を累積推定を用いて将来の残差にマッピングし、時間外検証は補正強度を制御する。
  論文  参考訳（メタデータ） (2026-10-16T03:22:18Z)
• HERO: History-Enriched Rollout Training for Long-Horizon Autoregressive Neural Operators [17.3214708475049]
  自動回帰ロールアウトはすべての予測エラーを入力として返送するので、ローカルエラーは蓄積される。 既存のロールアウトトレーニング戦略は、トレーニング入力と自己生成状態のミスマッチを減らすが、彼らの監督は依然として、地道軌道からの絶対的な差のみを計測している。 本研究では,従来の絶対軌道監視をモデル最適化履歴から導いた相対的監督に拡張する履歴強化型ロールアウトトレーニング(HERO)を提案する。
  論文  参考訳（メタデータ） (2026-07-31T08:05:46Z)
• A Control Theory of Predictability in Latent World Models [39.22646915328561]
  現在のプラクティスでは、トレーニングとモデル選択の目的として、ホールトアウトデータに対する単一または複数ステップのロールアウト損失である予測エラーを採用しています。 この仮定は構造上の理由から信頼できないことを示す。 プランナーはトレーニング分布についてモデルに問い合わせるのではなく、その候補となるアクションが到達し、一般にデータ多様体を残します。
  論文  参考訳（メタデータ） (2026-07-11T15:42:26Z)
• Neural CDEs as Correctors for Learned Time Series Models [0.0]
  本研究では,予測器を学習時系列モデルとし,Correctorをニューラル制御微分方程式とする予測器・コレクタ機構を提案する。 提案したCorrectorは、不規則にサンプリングされた時系列と連続時間および離散時間予測器で動作する。 合成, 物理シミュレーション, 実世界の予測データセットにおいて, 様々な予測器を用いてコレクターを評価した。
  論文  参考訳（メタデータ） (2025-12-13T01:17:05Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
  エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
  論文  参考訳（メタデータ） (2023-05-26T04:27:48Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)

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。