論文の概要: Performance of Zero-Shot Time Series Foundation Models on Cloud Data

• arxiv url: http://arxiv.org/abs/2502.12944v2
• Date: Tue, 04 Mar 2025 16:02:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:09:47.090633
• Title: Performance of Zero-Shot Time Series Foundation Models on Cloud Data
• Title（参考訳）: クラウドデータを用いたゼロショット時系列モデルの性能評価
• Authors: William Toner, Thomas L. Lee, Artjom Joosen, Rajkarn Singh, Martin Asenov,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.32622301272834525
• License:
• Abstract: Time series foundation models (FMs) have emerged as a popular paradigm for zero-shot multi-domain forecasting. FMs are trained on numerous diverse datasets and claim to be effective forecasters across multiple different time series domains, including cloud data. In this work we investigate this claim, exploring the effectiveness of FMs on cloud data. We demonstrate that many well-known FMs fail to generate meaningful or accurate zero-shot forecasts in this setting. We support this claim empirically, showing that FMs are outperformed consistently by simple linear baselines. We also illustrate a number of interesting pathologies, including instances where FMs suddenly output seemingly erratic, random-looking forecasts. Our results suggest a widespread failure of FMs to model cloud data.
• Abstract（参考訳）: 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。 FMは多様なデータセットに基づいてトレーニングされており、クラウドデータを含む複数の時系列ドメインにまたがる効果的な予測器であると主張している。 本研究では,この主張を考察し,クラウドデータに対するFMの有効性について検討する。 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。 我々はこの主張を実証的に支持し、FMは単純な線形ベースラインによって一貫して性能が向上していることを示す。 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。 我々の結果は、FMがクラウドデータのモデル化に広範囲に失敗していることを示唆している。

関連論文リスト

• Lightweight Online Adaption for Time Series Foundation Model Forecasts [0.32622301272834525]
  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。
  論文  参考訳（メタデータ） (2025-02-18T15:01:02Z)
• Fine-Tuning Foundation Models with Federated Learning for Privacy Preserving Medical Time Series Forecasting [0.32985979395737786]
  フェデレートラーニング(FL)は、複数のデバイスやサーバが生データを共有せずに協調的にモデルをトレーニングする、分散機械学習アプローチを提供する。 本稿では,心電図 (ECG) とインピーダンス心電図 (ICG) データを用いたFMの微調整を行う。 実験の結果,FLは時系列予測タスクの微調整に有効であるが,その利点はクライアント間のデータ分布に依存することがわかった。
  論文  参考訳（メタデータ） (2025-02-13T20:01:15Z)
• Time Series Foundational Models: Their Role in Anomaly Detection and Prediction [0.0]
  時系列基礎モデル (TSFM) は時系列予測において注目されている。 本稿では,異常検出および予測タスクにおけるTSFMの有効性を批判的に評価する。
  論文  参考訳（メタデータ） (2024-12-26T17:15:30Z)
• 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)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Foundation Models for Time Series Analysis: A Tutorial and Survey [70.43311272903334]
  ファンデーションモデル(FM)は、時系列分析のためのモデル設計のパラダイムを根本的に変えてきた。 本調査は,時系列解析のためのFMの概要を包括的かつ最新のものにすることを目的としている。
  論文  参考訳（メタデータ） (2024-03-21T10:08:37Z)
• Time Series Diffusion in the Frequency Domain [54.60573052311487]
  周波数領域における時系列表現がスコアベース拡散モデルに有用な帰納バイアスであるか否かを解析する。 重要なニュアンスを持つ周波数領域において、二重拡散過程が生じることを示す。 周波数領域に拡散モデルを実装するために,デノナイジングスコアマッチング手法を適用する方法を示す。
  論文  参考訳（メタデータ） (2024-02-08T18:59:05Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
  本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。 多様なデータソースから表現と不確実性を学ぶことができる。 動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。 CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
  論文  参考訳（メタデータ） (2021-09-15T17:13:47Z)

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。