論文の概要: Zero-Shot Transfer Capabilities of the Sundial Foundation Model for Leaf Area Index Forecasting

• arxiv url: http://arxiv.org/abs/2511.20004v1
• Date: Tue, 25 Nov 2025 07:14:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.330046
• Title: Zero-Shot Transfer Capabilities of the Sundial Foundation Model for Leaf Area Index Forecasting
• Title（参考訳）: リーフエリア指数予測のためのサンディアル基礎モデルのゼロショット転送能力
• Authors: Peining Zhang, Hongchen Qin, Haochen Zhang, Ziqi Guo, Guiling Wang, Jinbo Bi,
• Abstract要約: 本研究では,農業モニタリングにおけるリーフ面積指数(LAI)予測のための時系列基盤モデルのゼロショット予測能力について検討した。 ゼロショット設定では、入力コンテキストウィンドウが十分に長期的であるため、Sundialは十分に訓練されたLSTMより優れていることが判明した。 その結果, 農業・環境分野において, 実効的なプラグアンドプレイ予測を行うための事前学習型時系列基盤モデルの強みが浮き彫りとなった。
• 参考スコア（独自算出の注目度）: 7.291936902557843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work investigates the zero-shot forecasting capability of time-series foundation models for Leaf Area Index (LAI) forecasting in agricultural monitoring. Using the HiQ dataset (U.S., 2000-2022), we systematically compare statistical baselines, a fully supervised LSTM, and the Sundial foundation model under multiple evaluation protocols. We find that Sundial, in the zero-shot setting, can outperform a fully trained LSTM provided that the input context window is sufficiently long-specifically, when covering more than one or two full seasonal cycles. This demonstrates, for the first time, that a general-purpose foundation model can surpass specialized supervised models on remote-sensing time series prediction without any task-specific tuning. These results highlight the strong potential of pretrained time-series foundation models to serve as effective plug-and-play forecasters in agricultural and environmental applications.
• Abstract（参考訳）: 本研究では,農業モニタリングにおけるリーフ面積指数(LAI)予測のための時系列基盤モデルのゼロショット予測能力について検討した。 HiQデータセット(U.S. 2000-2022)を用いて、複数の評価プロトコルの下で統計ベースライン、完全に教師付きLSTM、サンディアル基礎モデルとを体系的に比較する。 ゼロショット設定では、スンディアルは、入力コンテキストウィンドウが1つか2つのフルシーズンサイクルをカバーする場合、十分に長期的であるため、完全に訓練されたLSTMより優れていることが判明した。 これは、汎用基礎モデルが初めて、タスク固有のチューニングなしで、リモートセンシングの時系列予測において、特別な教師付きモデルを上回ることができることを示している。 これらの結果は, 農業・環境分野において, 効果的なプラグアンドプレイ予測を行うための事前学習型時系列基盤モデルの強みを浮き彫りにするものである。

関連論文リスト

• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• LightGTS: A Lightweight General Time Series Forecasting Model [16.133297438792926]
  LightGTSは、一貫した周期的モデリングの観点から設計された軽量な汎用時系列予測モデルである。 ゼロショットとフルショットの両方の設定で、9つの実世界のベンチマークで最先端の予測性能を達成する。
  論文  参考訳（メタデータ） (2025-06-06T11:49:37Z)
• Benchmarking Time Series Forecasting Models: From Statistical Techniques to Foundation Models in Real-World Applications [0.0]
  時系列予測は、ホスピタリティ産業における運用インテリジェンスにとって不可欠である。 本研究では,14日間の地平線上での時間売上予測における統計,機械学習(ML),ディープラーニング,基礎モデルの性能を評価する。
  論文  参考訳（メタデータ） (2025-02-05T17:30:31Z)
• Fine-Tuning Pre-trained Large Time Series Models for Prediction of Wind Turbine SCADA Data [6.296946118570559]
  本稿では,風力タービンから収集したSCADAデータの予測における,事前学習型大時系列モデルであるTimerの適用について検討する。 このモデルは、異なる特性を示す2つの風力発電所から得られたデータセットに基づいて微調整された。
  論文  参考訳（メタデータ） (2024-11-30T09:00:24Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• 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)
• 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。