論文の概要: Pre-trained Forecasting Models: Strong Zero-Shot Feature Extractors for Time Series Classification

• arxiv url: http://arxiv.org/abs/2510.26777v1
• Date: Thu, 30 Oct 2025 17:55:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.960726
• Title: Pre-trained Forecasting Models: Strong Zero-Shot Feature Extractors for Time Series Classification
• Title（参考訳）: 事前学習型予測モデル:時系列分類のための強ゼロショット特徴外乱
• Authors: Andreas Auer, Daniel Klotz, Sebastinan Böck, Sepp Hochreiter,
• Abstract要約: 予測モデルでは,分類に特化して事前訓練された最先端のモデルと一致するか,あるいは超えるような分類精度が得られることを示す。 これらの結果は,タスク固有の事前学習が必要であるという仮定に疑問を呈し,予測学習が汎用時系列基礎モデルの構築に強力な道筋を提供する可能性があることを示唆している。
• 参考スコア（独自算出の注目度）: 19.714904955821623
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent research on time series foundation models has primarily focused on forecasting, leaving it unclear how generalizable their learned representations are. In this study, we examine whether frozen pre-trained forecasting models can provide effective representations for classification. To this end, we compare different representation extraction strategies and introduce two model-agnostic embedding augmentations. Our experiments show that the best forecasting models achieve classification accuracy that matches or even surpasses that of state-of-the-art models pre-trained specifically for classification. Moreover, we observe a positive correlation between forecasting and classification performance. These findings challenge the assumption that task-specific pre-training is necessary, and suggest that learning to forecast may provide a powerful route toward constructing general-purpose time series foundation models.
• Abstract（参考訳）: 時系列基礎モデルに関する最近の研究は、主に予測に焦点を当てており、学習された表現がどの程度一般化できるかは明らかでない。 本研究では,凍結事前学習した予測モデルが,分類に有効な表現を提供するかどうかを検討する。 この目的のために、異なる表現抽出戦略を比較し、2つのモデルに依存しない埋め込み拡張を導入する。 実験により,最高の予測モデルが,特定の分類のために事前訓練された最先端モデルと一致するか,あるいは超えるような分類精度を達成できることが判明した。 さらに,予測性能と分類性能の正の相関を観察する。 これらの結果は,タスク固有の事前学習が必要であるという仮定に疑問を呈し,予測学習が汎用時系列基礎モデルの構築に強力な道筋を提供する可能性があることを示唆している。

関連論文リスト

• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• ChronosX: Adapting Pretrained Time Series Models with Exogenous Variables [30.679739751673655]
  本稿では,事前学習した時系列予測モデルに共変量を統合する新しい手法を提案する。 提案手法は,モジュールブロックによる事前学習予測モデルに共変量情報を組み込む。 本手法は,合成データと実データの両方の評価において,事前学習されたモデルに共変量情報を効果的に組み込むことで,既存のベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-03-15T12:34:19Z)
• ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
  本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。 我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Forecasting with Deep Learning: Beyond Average of Average of Average Performance [0.393259574660092]
  予測モデルの評価と比較の現在のプラクティスは、パフォーマンスを1つのスコアにまとめることに集中しています。 複数の視点からモデルを評価するための新しいフレームワークを提案する。 このフレームワークの利点は、最先端のディープラーニングアプローチと古典的な予測手法を比較して示す。
  論文  参考訳（メタデータ） (2024-06-24T12:28:22Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• Representer Point Selection for Explaining Regularized High-dimensional Models [105.75758452952357]
  本稿では,高次元表現器と呼ぶサンプルベース説明のクラスを紹介する。 私たちのワークホースは、一般化された高次元モデルに対する新しい代表者定理である。 提案手法の実証的性能について,実世界の2進分類データセットと2つの推薦システムデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2023-05-31T16:23:58Z)
• Pathologies of Pre-trained Language Models in Few-shot Fine-tuning [50.3686606679048]
  実例が少ない事前学習言語モデルはラベル間に強い予測バイアスを示すことを示す。 わずかな微調整で予測バイアスを軽減できるが,本分析では,非タスク関連の特徴を捉えることで,モデルの性能向上を図っている。 これらの観察は、より少ない例でモデルのパフォーマンスを追求することは、病理学的予測行動を引き起こす可能性があることを警告する。
  論文  参考訳（メタデータ） (2022-04-17T15:55:18Z)
• Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
  本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。 予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
  論文  参考訳（メタデータ） (2021-08-19T14:44:46Z)

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。