論文の概要: Lightweight Online Adaption for Time Series Foundation Model Forecasts
- arxiv url: http://arxiv.org/abs/2502.12920v1
- Date: Tue, 18 Feb 2025 15:01:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-19 14:08:28.722445
- Title: Lightweight Online Adaption for Time Series Foundation Model Forecasts
- Title(参考訳): 時系列基礎モデル予測のための軽量オンライン適応
- Authors: Thomas L. Lee, William Toner, Rajkarn Singh, Artjom Joosem, Martin Asenov,
- Abstract要約: AdapTSは、オンラインフィードバックに対するFM予測のオンライン適応のための軽量なメカニズムである。
本稿では,一連の標準時系列データセットを対象とした最近のFMと合わせてAdapTSの性能を評価する。
- 参考スコア(独自算出の注目度): 0.32622301272834525
- License:
- Abstract: Foundation models (FMs) have emerged as a promising approach for time series forecasting. While effective, FMs typically remain fixed during deployment due to the high computational costs of learning them online. Consequently, deployed FMs fail to adapt their forecasts to current data characteristics, despite the availability of online feedback from newly arriving data. This raises the question of whether FM performance can be enhanced by the efficient usage of this feedback. We propose AdapTS to answer this question. AdapTS is a lightweight mechanism for the online adaption of FM forecasts in response to online feedback. AdapTS consists of two parts: a) the AdapTS-Forecaster which is used to learn the current data distribution; and b) the AdapTS-Weighter which is used to combine the forecasts of the FM and the AdapTS-Forecaster. We evaluate the performance of AdapTS in conjunction with several recent FMs across a suite of standard time series datasets. In all of our experiments we find that using AdapTS improves performance. This work demonstrates how efficient usage of online feedback can be used to improve FM forecasts.
- Abstract(参考訳): ファンデーションモデル(FM)は時系列予測の有望なアプローチとして現れている。
有効ではあるが、FMはオンライン学習の計算コストが高いため、通常はデプロイ中に固定される。
その結果、FMは、新たに到着したデータからのオンラインフィードバックが利用可能であるにもかかわらず、現在のデータ特性に予測を適用することができない。
これにより、このフィードバックを効率的に利用することで、FM性能を向上できるかどうかという疑問が持ち上がる。
我々はこの質問に答えるためにAdapTSを提案する。
AdapTSは、オンラインフィードバックに対するFM予測のオンライン適応のための軽量なメカニズムである。
AdapTSは2つの部分から構成される。
a) 現在のデータ配信を学習するために使用されるAdapTS-Forecaster
b)FMとAdapTS-Forecasterの予測を組み合わせるために使用されるAdapTS-Weighter
本稿では,一連の標準時系列データセットを対象とした最近のFMと合わせてAdapTSの性能を評価する。
すべての実験で、AdapTSを使うことでパフォーマンスが向上することがわかった。
この研究は、FM予測を改善するためにオンラインフィードバックがいかに効率的に利用できるかを示す。
関連論文リスト
- Performance of Zero-Shot Time Series Foundation Models on Cloud Data [0.32622301272834525]
時系列基礎モデル(FM)は、ゼロショットマルチドメイン予測の一般的なパラダイムとして登場した。
我々は、よく知られたFMが、この設定で意味のある、あるいは正確なゼロショット予測を生成できないことを実証する。
FMが突然、不規則でランダムに見える予測を出力するケースなど、興味深い病理もいくつか紹介する。
論文 参考訳(メタデータ) (2025-02-18T15:28:02Z) - AdaPTS: Adapting Univariate Foundation Models to Probabilistic Multivariate Time Series Forecasting [10.899510048905926]
本稿では,機能間の複雑な依存関係を管理し,予測の不確実性を定量化するアダプタを提案する。
合成データセットと実世界のデータセットの両方で実施された実験により、アダプタの有効性が確認された。
私たちのフレームワークであるAdaPTSは、アダプタをモジュール的でスケーラブルで効果的なソリューションとして位置づけています。
論文 参考訳(メタデータ) (2025-02-14T15:46:19Z) - Battling the Non-stationarity in Time Series Forecasting via Test-time Adaptation [39.7344214193566]
時系列予測(TSF)に適した先駆的なテスト時間適応フレームワークを提案する。
TSF-TTAに対する提案手法であるTAFASは、事前学習中に学習したコアセマンティック情報を保存しながら、ソース予測器をフレキシブルに適応してテスト分布を継続的にシフトさせる。
部分的に観測された真実とゲートキャリブレーションモジュールの新たな利用により、ソース予測器のプロアクティブ、ロバスト、モデルに依存しない適応が可能となった。
論文 参考訳(メタデータ) (2025-01-09T04:59:15Z) - Enabling Time-series Foundation Model for Building Energy Forecasting via Contrastive Curriculum Learning [12.19823790689484]
エネルギー予測タスク構築のための基礎モデル(FM)の適用について検討する。
そこで本研究では,新しいテキストコントラスト学習に基づく学習方法を提案する。
実験の結果,既存のFMと比較してゼロ/フェーショット性能を14.6%向上できることがわかった。
論文 参考訳(メタデータ) (2024-12-23T05:07:06Z) - Skip Tuning: Pre-trained Vision-Language Models are Effective and Efficient Adapters Themselves [123.07450481623124]
下流タスクに視覚言語モデルを適用するための新しいパラダイムとして,Skip Tuningを提案する。
既存のPTやアダプタベースの方法とは異なり、Skip Tuningは追加のコンテキストベクトルやアダプタモジュールを導入することなく、FTベースラインにLayer-wise Skipping(LSkip)とClass-wise Skipping(CSkip)を適用する。
論文 参考訳(メタデータ) (2024-12-16T07:33:23Z) - Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。
実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。
Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
論文 参考訳(メタデータ) (2024-07-28T19:18:59Z) - Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。
既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。
本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
論文 参考訳(メタデータ) (2024-03-31T17:18:57Z) - Not All Attention is Needed: Parameter and Computation Efficient Transfer Learning for Multi-modal Large Language Models [73.48675708831328]
MLLM(Multi-modal Large Language Models)のための新しいパラメータと計算効率のチューニング手法を提案する。
The Efficient Attention Skipping (EAS) method evaluate the attention redundancy and skips the less important MHAs to speed up inference。
実験により、EASは高い性能とパラメータ効率を維持するだけでなく、推論速度を大幅に高速化することが示された。
論文 参考訳(メタデータ) (2024-03-22T14:20:34Z) - Wireless-Enabled Asynchronous Federated Fourier Neural Network for
Turbulence Prediction in Urban Air Mobility (UAM) [101.80862265018033]
垂直離着陸機(VTOL)が配車サービスに使用される都市空力(UAM)が提案されている。
UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。
GBSと航空機間の信頼性の高い通信網により、UAMは適切に空域を利用することができる。
論文 参考訳(メタデータ) (2021-12-26T14:41:52Z) - Leaf-FM: A Learnable Feature Generation Factorization Machine for
Click-Through Rate Prediction [2.412497918389292]
本稿では,FM に基づく LeafFM モデルを提案する。
実世界の3つのデータセットで実験を行い、その結果、Leaf-FMモデルは標準FMよりも大きなマージンで優れていることを示した。
論文 参考訳(メタデータ) (2021-07-26T08:29:18Z) - FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。
異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。
実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文 参考訳(メタデータ) (2020-06-07T08:10:47Z)
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。