論文の概要: A Comparative Study on How Data Normalization Affects Zero-Shot Generalization in Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2512.02833v1
• Date: Tue, 02 Dec 2025 14:39:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.930321
• Title: A Comparative Study on How Data Normalization Affects Zero-Shot Generalization in Time Series Foundation Models
• Title（参考訳）: 時系列基礎モデルのゼロショット一般化に対するデータ正規化の影響に関する比較研究
• Authors: Ihab Ahmed, Denis Krompaß, Cheng Feng, Volker Tresp,
• Abstract要約: 時系列基礎モデル(TSFM)の入力正規化手法について検討する。 テキストや画像とは異なり、時系列データは、非定常性と組み合わせて、ドメインやチャネル間で大きなスケールのばらつきを示す。 我々は、最も効率的なアプローチとしてREVINを実証的に確立し、非正規化ベースラインに対してゼロショットMASEを89%削減した。
• 参考スコア（独自算出の注目度）: 23.210201090162542
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate input normalization methods for Time-Series Foundation Models (TSFMs). While normalization is well-studied in dataset-specific time-series models, it remains overlooked in TSFMs where generalization is critical. Time-series data, unlike text or images, exhibits significant scale variation across domains and channels, coupled with non-stationarity, can undermine TSFM performance regardless of architectural complexity. Through systematic evaluation across four architecturally diverse TSFMs, we empirically establish REVIN as the most efficient approach, reducing zero-shot MASE by 89\% relative to an un-normalized baseline and by 44\% versus other normalization methods, while matching the best in-domain accuracy (0.84 MASE) without any dataset-level preprocessing -- yielding the highest accuracy-efficiency trade-off. Yet its effect utilization depends on architectural design choices and optimization objective, particularly with respect to training loss scale sensitivity and model type (probabilistic, point-forecast, or LLM-based models).
• Abstract（参考訳）: 時系列基礎モデル(TSFM)の入力正規化手法について検討する。 正規化はデータセット固有の時系列モデルではよく研究されているが、一般化が不可欠であるTSFMでは見過ごされている。 テキストや画像とは異なり、時系列データはドメインやチャネル間で大きなスケールのばらつきを示し、非定常性とともに、アーキテクチャの複雑さに関わらずTSFMのパフォーマンスを損なう。 アーキテクチャ的に多様である4つのTSFMを体系的に評価することにより、REVINを最も効率的なアプローチとして確立し、非正規化ベースラインに対してゼロショットMASEを89 %削減し、他の正規化メソッドに対して44 %削減し、データセットレベルの前処理なしで最高のドメイン内精度(0.84 MASE)をマッチングします。 しかし、その効果利用はアーキテクチャ設計の選択と最適化の目的、特にトレーニング損失スケールの感度とモデルタイプ(確率的、ポイントフォアキャスト、LLMベースのモデル)に依存している。

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)
• CALM: A Framework for Continuous, Adaptive, and LLM-Mediated Anomaly Detection in Time-Series Streams [0.42970700836450476]
  本稿では,リアルタイム異常検出のための新しいエンドツーエンドフレームワークであるCALMを紹介する。 CALMはApache Beam分散処理フレームワーク上に構築されている。 クローズドループで連続的な微調整機構を実装し、異常検出モデルがほぼリアルタイムで進化するデータパターンに適応できるようにする。
  論文  参考訳（メタデータ） (2025-08-29T00:27:35Z)
• DONOD: Efficient and Generalizable Instruction Fine-Tuning for LLMs via Model-Intrinsic Dataset Pruning [22.704995231753397]
  大規模言語モデル(LLM)のアドホック命令の微調整は、ドメイン固有の適応に広く採用されている。 本研究では,軽量なモデル固有データ解析手法であるDONODを提案する。 データセット全体の70%をフィルタリングすることで、ターゲットドメインの精度を14.90%、クロスドメインの精度を5.67%向上させる。
  論文  参考訳（メタデータ） (2025-04-21T02:25:03Z)
• Time-Series Foundation AI Model for Value-at-Risk Forecasting [9.090616417812306]
  この研究は、VaR(Value-at-Risk)のための時系列基礎AIモデルの性能を初めて分析したものである。 さまざまなデータセットで事前トレーニングされたファンデーションモデルは、最小限のデータを持つゼロショット設定で適用することができる。 微調整は精度を著しく向上させ、VaRにはゼロショットの使用が最適でないことを示す。
  論文  参考訳（メタデータ） (2024-10-15T16:53:44Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• The Effectiveness of Discretization in Forecasting: An Empirical Study on Neural Time Series Models [15.281725756608981]
  ニューラル予測アーキテクチャの予測性能に及ぼすデータ入力および出力変換の影響について検討する。 バイナリ化は実値入力の正規化に比べてほぼ常に性能が向上することがわかった。
  論文  参考訳（メタデータ） (2020-05-20T15:09:28Z)

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。