論文の概要: RefineBridge: Generative Bridge Models Improve Financial Forecasting by Foundation Models

• arxiv url: http://arxiv.org/abs/2512.21572v1
• Date: Thu, 25 Dec 2025 08:28:16 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 12:00:55.686499
• Title: RefineBridge: Generative Bridge Models Improve Financial Forecasting by Foundation Models
• Title（参考訳）: RefineBridge: ファウンデーションモデルによる財務予測を改善するジェネレーティブブリッジモデル
• Authors: Anthony Bolton, Wuyang Zhou, Zehua Chen, Giorgos Iacovides, Danilo Mandic,
• Abstract要約: 金融時系列予測は、非定常性、重尾分布、高周波ノイズにより困難である。 低ランク適応(LoRA)は、トレーニング済みのTSFMを下流データドメインに適応させる一般的なパラメータ効率の手法となっている。 本稿では, トラクタブル・シュルディンガーブリッジ(SB)生成フレームワーク上に構築された改良モジュールRefineBridgeを提案する。
• 参考スコア（独自算出の注目度）: 7.099080844853931
• License:
• Abstract: Financial time series forecasting is particularly challenging for transformer-based time series foundation models (TSFMs) due to non-stationarity, heavy-tailed distributions, and high-frequency noise present in data. Low-rank adaptation (LoRA) has become a popular parameter-efficient method for adapting pre-trained TSFMs to downstream data domains. However, it still underperforms in financial data, as it preserves the network architecture and training objective of TSFMs rather than complementing the foundation model. To further enhance TSFMs, we propose a novel refinement module, RefineBridge, built upon a tractable Schrödinger Bridge (SB) generative framework. Given the forecasts of TSFM as generative prior and the observed ground truths as targets, RefineBridge learns context-conditioned stochastic transport maps to improve TSFM predictions, iteratively approaching the ground-truth target from even a low-quality prior. Simulations on multiple financial benchmarks demonstrate that RefineBridge consistently improves the performance of state-of-the-art TSFMs across different prediction horizons.
• Abstract（参考訳）: 非定常性、重み付き分布、およびデータに存在する高周波ノイズにより、トランスフォーマーベースの時系列基礎モデル(TSFM)では、金融時系列予測が特に困難である。 低ランク適応(LoRA)は、トレーニング済みのTSFMを下流データドメインに適応させる一般的なパラメータ効率の手法となっている。 しかし、基盤モデルを補完するのではなく、TSFMのネットワークアーキテクチャとトレーニング目標を保存しているため、金融データでは依然として性能が劣っている。 TSFMをさらに強化するため, トラクタブル・シュレーディンガー・ブリッジ(SB)生成フレームワーク上に構築された改良モジュールRefineBridgeを提案する。 RefineBridgeは、TSFMの予測を生成前の予測として、また観測された地上の真実をターゲットとして、文脈条件の確率的輸送マップを学習し、TSFMの予測を改善する。 複数のファイナンシャルベンチマークのシミュレーションにより、RefineBridgeは様々な予測地平線をまたいだ最先端のTSFMの性能を一貫して改善することを示した。

関連論文リスト

• Re(Visiting) Time Series Foundation Models in Finance [3.295157175236371]
  金融時系列予測は、トレーディング、ポートフォリオ最適化、リスク管理の中心である。 時系列基礎モデル(TSFM)の最近の進歩は、大規模で多様なデータセットから一般化可能な時間表現を学習するための新しいパラダイムを提供する。 本稿では,グローバル金融市場におけるTSFMの総合的研究について紹介する。
  論文  参考訳（メタデータ） (2025-11-23T18:44:19Z)
• 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)
• 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)
• TFMAdapter: Lightweight Instance-Level Adaptation of Foundation Models for Forecasting with Covariates [21.978694988304692]
  時系列基礎モデル(TSFM)は、最近、新しい時系列の単変量予測において最先端のパフォーマンスを達成した。 我々は,TSFMを微調整なしで共変情報で拡張する,軽量なインスタンスレベルのアダプタであるFMAdapterを提案する。 実世界のデータセットに関する大規模な実験は、FMAdapterがファンデーションモデルと教師付きベースラインの両方を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-09-17T11:13:14Z)
• Less is More: Unlocking Specialization of Time Series Foundation Models via Structured Pruning [27.23328609888911]
  時系列基礎モデル 広大なパラメータを事前訓練し、驚くべきゼロショット予測性能を達成する。 驚くべきことに、微調整後も、TSFMは、フルショットダウンストリームデータでトレーニングされた、より小さな、特殊なモデルよりも一貫してパフォーマンスを向上することはできない。 より関連性が高くコンパクトなパラメータ空間に焦点を合わせることにより、その後の微調整プロセスを正規化するための構造化プルーニング法を提案する。
  論文  参考訳（メタデータ） (2025-05-29T07:33:49Z)
• 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)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)

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。