論文の概要: Foundation Model Forecasts: Form and Function

• arxiv url: http://arxiv.org/abs/2510.19345v1
• Date: Wed, 22 Oct 2025 08:10:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.340383
• Title: Foundation Model Forecasts: Form and Function
• Title（参考訳）: 基礎モデル予測:形式と機能
• Authors: Alvaro Perez-Diaz, James C. Loach, Danielle E. Toutoungi, Lee Middleton,
• Abstract要約: 時系列基礎モデル(TSFM)は高い予測精度を達成するが、精度だけでは実用的価値は決定できない。 我々は最近のTSFMを調査し、その3分の2がポイントまたはパラメトリックの予測のみを生成することを発見した。 多くの運用タスクは、時間的依存を保存する軌道的アンサンブルを必要とする。
• 参考スコア（独自算出の注目度）: 0.20999222360659606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series foundation models (TSFMs) achieve strong forecast accuracy, yet accuracy alone does not determine practical value. The form of a forecast -- point, quantile, parametric, or trajectory ensemble -- fundamentally constrains which operational tasks it can support. We survey recent TSFMs and find that two-thirds produce only point or parametric forecasts, while many operational tasks require trajectory ensembles that preserve temporal dependence. We establish when forecast types can be converted and when they cannot: trajectory ensembles convert to simpler forms via marginalization without additional assumptions, but the reverse requires imposing temporal dependence through copulas or conformal methods. We prove that marginals cannot determine path-dependent event probabilities -- infinitely many joint distributions share identical marginals but yield different answers to operational questions. We map six fundamental forecasting tasks to minimal sufficient forecast types and provide a task-aligned evaluation framework. Our analysis clarifies when forecast type, not accuracy, differentiates practical utility.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は高い予測精度を達成するが、精度だけでは実用的価値は決定できない。 予測(ポイント、量子、パラメトリック、トラジェクトリアンサンブル)の形式は、基本的にどの運用タスクをサポートできるかを制約します。 我々は最近のTSFMを調査し、2/3は点数またはパラメトリックの予測しか生成しないのに対し、多くの運用タスクは時間的依存を保った軌道のアンサンブルを必要とすることを発見した。 トラジェクトリアンサンブルは、追加の仮定なしで、余分な仮定なしで、より単純な形式に変換するが、逆は、コプラやコンフォーマルな方法による時間的依存を課す必要がある。 無限に多くの連立分布が同一の連立分布を共有しているが、運用上の問題に対して異なる答えを与える。 6つの基本的な予測タスクを、必要最小限の予測タイプにマッピングし、タスク整合性評価フレームワークを提供する。 我々の分析は,予測型が精度ではなく,実用性を区別するかどうかを明らかにする。

関連論文リスト

• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)

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。