論文の概要: FLAME: Flow Enhanced Legendre Memory Models for General Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2512.14253v1
• Date: Tue, 16 Dec 2025 10:03:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.67648
• Title: FLAME: Flow Enhanced Legendre Memory Models for General Time Series Forecasting
• Title（参考訳）: FLAME: 一般的な時系列予測のためのフロー強化レジェンダメモリモデル
• Authors: Xingjian Wu, Hanyin Cheng, Xiangfei Qiu, Zhengyu Li, Jilin Hu, Chenjuan Guo, Bin Yang,
• Abstract要約: 極めて軽量で有能な時系列ファンデーションモデルであるFLAMEを紹介します。 FLAMEは、決定論的および確率的予測の両方を生成的確率論的モデリングによってサポートする。 T-BenchやProbTSなど、よく認識されたベンチマークに関する包括的な実験は、FLAMEの一貫性のあるゼロショット性能を実証している。
• 参考スコア（独自算出の注目度）: 18.97715342585514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we introduce FLAME, a family of extremely lightweight and capable Time Series Foundation Models, which support both deterministic and probabilistic forecasting via generative probabilistic modeling, thus ensuring both efficiency and robustness. FLAME utilizes the Legendre Memory for strong generalization capabilities. Through adapting variants of Legendre Memory, i.e., translated Legendre (LegT) and scaled Legendre (LegS), in the Encoding and Decoding phases, FLAME can effectively capture the inherent inductive bias within data and make efficient long-range inferences. To enhance the accuracy of probabilistic forecasting while keeping efficient, FLAME adopts a Normalization Flow based forecasting head, which can model the arbitrarily intricate distributions over the forecasting horizon in a generative manner. Comprehensive experiments on well-recognized benchmarks, including TSFM-Bench and ProbTS, demonstrate the consistent state-of-the-art zero-shot performance of FLAME on both deterministic and probabilistic forecasting tasks.
• Abstract（参考訳）: 本研究では,極めて軽量で有能な時系列基礎モデルであるFLAMEを紹介し,生成確率モデルによる決定的および確率的予測の両方をサポートし,効率性とロバスト性を確保する。 FLAMEは強力な一般化機能としてRegendre Memoryを使用している。 レジェンドレメモリ(LegT)とスケールドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレジェンドレ(LegSレジェンドレ)をエンコーディングおよびデコーディングフェーズで適用することにより、FLAMEはデータ内の固有の帰納バイアスを効果的に捉え、より効率的な長距離推論を行うことができる。 効率を保ち、確率予測の精度を高めるため、FLAMEは正規化フローに基づく予測ヘッドを採用し、予測水平線上の任意の複雑な分布を生成的にモデル化することができる。 TSFM-BenchやProbTSといったよく認識されたベンチマークに関する総合的な実験は、決定論的および確率的予測タスクにおいてFLAMEが一貫したゼロショット性能を示す。

関連論文リスト

• VFMF: World Modeling by Forecasting Vision Foundation Model Features [67.09340259579761]
  本稿では,視覚基礎モデルの特徴空間における自己回帰フローマッチングを行う生成予測器を提案する。 この潜伏情報の方がPCAベースの代替案よりも効果的であることを示す。 一致したアーキテクチャと計算により、本手法はすべてのモダリティにおける回帰よりもシャープで正確な予測を生成する。
  論文  参考訳（メタデータ） (2025-12-12T02:10:05Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法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） (2025-06-03T09:29:47Z)
• PO-Flow: Flow-based Generative Models for Sampling Potential Outcomes and Counterfactuals [20.10830878838357]
  本稿では,因果推論のための連続正規化フロー(CNF)フレームワークPO-Flowを提案する。 PO-Flowは、平均的な処理効果推定、個人化された潜在的な結果予測、および対実予測に対する統一的なアプローチを提供する。
  論文  参考訳（メタデータ） (2025-05-21T22:02:48Z)
• Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion [13.640501360968782]
  FALDAは時系列予測のための新しい確率的フレームワークである。 コンポーネント固有のアーキテクチャが組み込まれており、個々の時間的コンポーネントをカスタマイズしたモデリングを可能にする。 6つの実世界のベンチマーク実験は、FALDAが既存の確率予測手法を一貫して上回っていることを示している。 FALDAはまた、最先端(SOTA)ポイント予測アプローチよりも優れた全体的なパフォーマンスを実現し、最大9%の改善を実現している。
  論文  参考訳（メタデータ） (2025-05-16T14:32:34Z)
• Probabilistic Forecasting via Autoregressive Flow Matching [1.5467259918426441]
  FlowTimeは、時系列データの確率予測のための生成モデルである。 我々は、将来の観測の連成分布を条件密度の列に分解し、それぞれが共有フローを介してモデル化される。 本研究では,複数の動的システムおよび実世界の予測タスクにおけるFlowTimeの有効性を示す。
  論文  参考訳（メタデータ） (2025-03-13T13:54:24Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。