論文の概要: Shapelets-Enriched Selective Forecasting using Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2601.11821v1
• Date: Fri, 16 Jan 2026 22:57:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.333965
• Title: Shapelets-Enriched Selective Forecasting using Time Series Foundation Models
• Title（参考訳）: 時系列基礎モデルを用いたシェープレット強化選択予測
• Authors: Shivani Tomar, Seshu Tirupathi, Elizabeth Daly, Ivana Dusparic,
• Abstract要約: 時系列基礎モデルは、複雑な時系列データをモデル化する能力により、最近多くの注目を集めている。 予測タスクの平均ゼロショット性能は高いが、データの特定の臨界領域における予測は必ずしも信頼できない。 シェープレットを用いて時系列のこれらの重要なセグメントを特定するための選択予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.788378233213477
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series foundation models have recently gained a lot of attention due to their ability to model complex time series data encompassing different domains including traffic, energy, and weather. Although they exhibit strong average zero-shot performance on forecasting tasks, their predictions on certain critical regions of the data are not always reliable, limiting their usability in real-world applications, especially when data exhibits unique trends. In this paper, we propose a selective forecasting framework to identify these critical segments of time series using shapelets. We learn shapelets using shift-invariant dictionary learning on the validation split of the target domain dataset. Utilizing distance-based similarity to these shapelets, we facilitate the user to selectively discard unreliable predictions and be informed of the model's realistic capabilities. Empirical results on diverse benchmark time series datasets demonstrate that our approach leveraging both zero-shot and full-shot fine-tuned models reduces the overall error by an average of 22.17% for zero-shot and 22.62% for full-shot fine-tuned model. Furthermore, our approach using zero-shot and full-shot fine-tuned models, also outperforms its random selection counterparts by up to 21.41% and 21.43% on one of the datasets.
• Abstract（参考訳）: 時系列基礎モデルは、交通、エネルギー、天候を含む異なる領域を含む複雑な時系列データをモデル化する能力により、最近多くの注目を集めている。 予測タスクにおける平均ゼロショット性能は高いが、データの特定の臨界領域における予測は必ずしも信頼性が高く、特にデータがユニークな傾向を示す場合、実際のアプリケーションでのユーザビリティを制限している。 本稿では,これらの時系列のクリティカルセグメントをシェープレットを用いて識別するための選択予測フレームワークを提案する。 我々は、ターゲット領域データセットの検証分割に基づいてシフト不変辞書学習を用いてシェープレットを学習する。 これらの形状レットとの距離に基づく類似性を利用して、ユーザーは信頼できない予測を選択的に破棄し、モデルの現実的な能力を知らせる。 多様なベンチマーク時系列データセットによる実験結果から、ゼロショットモデルとフルショットモデルの両方を利用したアプローチは、ゼロショットモデルでは平均22.17%、フルショットモデルでは22.62%の誤差を減少させることが示された。 さらに、ゼロショットとフルショットの微調整モデルを用いたアプローチでは、データセットの1つでランダム選択を最大21.41%、最大21.43%上回っている。

関連論文リスト

• How Foundational are Foundation Models for Time Series Forecasting? [2.692427265051276]
  時系列データの本質的な多様性は、基礎モデルが効果的なモデル構築にはあまり適さないことを論じる。 時系列基礎モデルのゼロショット能力は、事前訓練された特定のドメインに大きく影響され、結びついていることが示される。
  論文  参考訳（メタデータ） (2025-10-01T10:25:43Z)
• 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)
• Evaluation of a Foundational Model and Stochastic Models for Forecasting Sporadic or Spiky Production Outages of High-Performance Machine Learning Services [0.0]
  我々は、最先端の機械学習サービスの散発的またはスパイクな生産停止を予測するために、最先端の基礎モデルを最適化する。 この分析は、各評価されたモデルが、散発的またはスパイクなイベントに対してどのように機能するかを理解するのに役立ちます。 最適なパラメータを持つモデルを用いて、6%未満の値誤差を持つ特定の根本原因の1年間の障害統計を推定する。
  論文  参考訳（メタデータ） (2025-06-30T23:59:12Z)
• 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)
• 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)
• Chronos: Learning the Language of Time Series [79.38691251254173]
  Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。 クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-03-12T16:53:54Z)

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。