論文の概要: Frequency Matters: When Time Series Foundation Models Fail Under Spectral Shift

• arxiv url: http://arxiv.org/abs/2511.05619v1
• Date: Thu, 06 Nov 2025 21:08:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.502871
• Title: Frequency Matters: When Time Series Foundation Models Fail Under Spectral Shift
• Title（参考訳）: 周波数問題: 時系列基礎モデルがスペクトルシフトで機能しないとき
• Authors: Tianze Wang, Sofiane Ennadir, John Pertoft, Gabriela Zarzar Gandler, Lele Cao, Zineb Senane, Styliani Katsarou, Sahar Asadi, Axel Karlsson, Oleg Smirnov,
• Abstract要約: 時系列基礎モデル(TSFM)は、公開ベンチマークにおいて強い結果を示しており、時系列の「BERTモーメント」と比較している。 TSFMがスペクトルシフト(下流タスクにおける主周波数成分と事前学習中に表される周波数成分のミスマッチ)の一般化と強調に苦慮する理由を重要要因として検討する。 我々は,モバイルゲームにおいて,TSFMがドメイン適応ベースラインを過小評価する産業規模プレイヤーエンゲージメント予測タスクのエビデンスを提示する。
• 参考スコア（独自算出の注目度）: 6.557492981844721
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time series foundation models (TSFMs) have shown strong results on public benchmarks, prompting comparisons to a "BERT moment" for time series. Their effectiveness in industrial settings, however, remains uncertain. We examine why TSFMs often struggle to generalize and highlight spectral shift (a mismatch between the dominant frequency components in downstream tasks and those represented during pretraining) as a key factor. We present evidence from an industrial-scale player engagement prediction task in mobile gaming, where TSFMs underperform domain-adapted baselines. To isolate the mechanism, we design controlled synthetic experiments contrasting signals with seen versus unseen frequency bands, observing systematic degradation under spectral mismatch. These findings position frequency awareness as critical for robust TSFM deployment and motivate new pretraining and evaluation protocols that explicitly account for spectral diversity.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は、公開ベンチマークにおいて強い結果を示しており、時系列の「BERTモーメント」と比較している。 しかし、産業環境におけるそれらの効果はいまだに定かではない。 TSFMがスペクトルシフト(下流タスクにおける主周波数成分と事前学習中に表される周波数成分のミスマッチ)の一般化と強調に苦慮する理由を重要要因として検討する。 我々は,モバイルゲームにおいて,TSFMがドメイン適応ベースラインを過小評価する産業規模プレイヤーエンゲージメント予測タスクのエビデンスを提示する。 この機構を分離するために、スペクトルミスマッチ下での系統的な劣化を観察し、可視周波数帯と可視周波数帯とを対比した信号の合成実験を設計した。 これらの知見は、周波数認識を頑健なTSFM展開に欠かせないものと位置づけ、スペクトルの多様性を明示する新しい事前訓練および評価プロトコルを動機付けている。

関連論文リスト

• Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
  時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。 TSFMの新しい調停フレームワークであるSynapseを提案する。 その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-07T18:01:51Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Frequency-Constrained Learning for Long-Term Forecasting [15.31488551912888]
  実世界の時系列は、物理法則、人間のルーチン、季節周期から生じる強い周期構造を示す。 現代の深層予測モデルは、スペクトルバイアスと周波数認識による誘導前兆の欠如により、繰り返し発生するパターンを捉えることができないことが多い。 本稿では,周期性を明示的にモデル化し,長期予測を効果的に行う手法を提案する。
  論文  参考訳（メタデータ） (2025-08-02T22:12:15Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• TS-RAG: Retrieval-Augmented Generation based Time Series Foundation Models are Stronger Zero-Shot Forecaster [14.512119661418522]
  時系列予測のための検索拡張生成フレームワークTS-RAGを提案する。 具体的には、TS-RAGはトレーニング済みの時系列エンコーダを利用して、専用の知識ベースから意味的に関連するセグメントを検索する。 TS-RAG は最先端のゼロショット予測性能を達成し,既存の TSFM を6.84% まで上回った。
  論文  参考訳（メタデータ） (2025-03-06T16:48:48Z)
• Evaluating Time Series Foundation Models on Noisy Periodic Time Series [0.0]
  本稿では,雑音周期時系列を構成する2つのデータセットに対して,時系列基礎モデル(TSFM)の性能を評価する実験的検討を行った。 以上の結果から, TSFMは, 周期が制限された時系列に対して, より長い時間, 高い雑音レベル, サンプリング率, より複雑な時系列形状で予測能力が低下することが示唆された。
  論文  参考訳（メタデータ） (2025-01-01T16:36:21Z)
• F-SE-LSTM: A Time Series Anomaly Detection Method with Frequency Domain Information [10.113418621891281]
  F-SE-LSTMと呼ばれる新しい時系列異常検出法を提案する。 この方法は、2つのスライディングウィンドウと高速フーリエ変換(FFT)を用いて周波数行列を構成する。 F-SE-LSTMは、通常の時間領域や周波数領域のデータよりも識別能力が高いことを示す。
  論文  参考訳（メタデータ） (2024-12-03T14:36:24Z)
• Tuning Frequency Bias of State Space Models [48.60241978021799]
  状態空間モデル(SSM)は、線形時間不変(LTI)システムを利用して、長距離依存のシーケンスを学習する。 その結果,SSMは低周波成分を高周波成分よりも効果的に捕捉する傾向を示した。
  論文  参考訳（メタデータ） (2024-10-02T21:04:22Z)
• Frequency-domain MLPs are More Effective Learners in Time Series Forecasting [67.60443290781988]
  時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。 最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。 本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
  論文  参考訳（メタデータ） (2023-11-10T17:05:13Z)
• Masked Frequency Modeling for Self-Supervised Visual Pre-Training [102.89756957704138]
  MFM(Masked Frequency Modeling)は、視覚モデルの自己教師付き事前学習のための統合周波数領域に基づくアプローチである。 MFMはまず入力画像の周波数成分の一部をマスクアウトし、周波数スペクトルの欠落周波数を予測する。 MFMは初めて、ViTとCNNの両方で、単純な非シームフレームワークは、以下のものを使って意味のある表現を学習できることを示した。
  論文  参考訳（メタデータ） (2022-06-15T17:58:30Z)

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。