論文の概要: Cisco Time Series Model Technical Report

• arxiv url: http://arxiv.org/abs/2511.19841v1
• Date: Tue, 25 Nov 2025 02:12:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.233458
• Title: Cisco Time Series Model Technical Report
• Title（参考訳）: Cisco Time Series Model Technical Report
• Authors: Liang Gou, Archit Khare, Praneet Pabolu, Prachi Patel, Joseph Ross, Hercy Shen, Yuhan, Song, Jingze Sun, Kristal Curtis, Vedant Dharnidharka, Abhinav Mathur, Hao Yang,
• Abstract要約: 単変量ゼロショット予測器であるCisco Time Series Modelを紹介する。 この時系列基礎モデルは、マルチレゾリューション入力を受け入れることができる時系列モデルに対する一般的なアーキテクチャ革新の結果である。 結果として得られたマルチレゾリューションデコーダのみのモデルは、300億以上のユニークなデータポイントでトレーニングされ、半分以上が可観測領域から来ている。
• 参考スコア（独自算出の注目度）: 11.190025695115956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce the Cisco Time Series Model, a univariate zero-shot forecaster. This time series foundation model is the result of a general architectural innovation to a time series model enabling it to accept multiresolution input, applied to a popular decoder-only time series model (TimesFM). The resulting multiresolution decoder-only model is trained on over 300B unique data points, with more than half coming from the observability domain. Quantitative and qualitative evaluations demonstrate that the resulting model achieves superior performance on observability datasets while retaining very similar performance on a standard general-purpose forecasting benchmark (GIFT-Eval), and suggest that the multiresolution structure enables the model to make more accurate predictions on long context input.
• Abstract（参考訳）: 単変量ゼロショット予測器であるCisco Time Series Modelを紹介する。 この時系列基礎モデルは、一般的なデコーダのみの時系列モデル(TimesFM)に適用されたマルチレゾリューション入力を受け入れることができる時系列モデルに対する一般的なアーキテクチャ革新の結果である。 結果として得られたマルチレゾリューションデコーダのみのモデルは、300億以上のユニークなデータポイントでトレーニングされ、半分以上が可観測領域から来ている。 定量的および定性的な評価は、標準汎用予測ベンチマーク(GIFT-Eval)で非常によく似た性能を維持しながら、得られたモデルが可観測性データセット上で優れた性能を達成できることを示し、マルチレゾリューション構造により、長いコンテキスト入力でより正確な予測が可能になることを示唆している。

関連論文リスト

• 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)
• ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
  ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。 実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
  論文  参考訳（メタデータ） (2025-09-07T13:57:14Z)
• Towards Foundation Auto-Encoders for Time-Series Anomaly Detection [2.019925198501543]
  FAEは時系列データにおける異常検出のための基礎生成AIモデルである。 各種ドメインから異なる多次元時系列データセットに予備的な結果を示す。
  論文  参考訳（メタデータ） (2025-07-02T16:39:36Z)
• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• TimeFound: A Foundation Model for Time Series Forecasting [33.57877080300831]
  TimeFoundはエンコーダ・デコーダ・トランスフォーマーベースの時系列基礎モデルである。 複数のスケールで複雑な時間パターンをキャプチャするために,マルチレゾリューションパッチ方式を用いる。
  論文  参考訳（メタデータ） (2025-03-06T05:55:45Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)

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。