論文の概要: Position: Universal Time Series Foundation Models Rest on a Category Error

• arxiv url: http://arxiv.org/abs/2602.05287v1
• Date: Thu, 05 Feb 2026 04:14:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.75681
• Title: Position: Universal Time Series Foundation Models Rest on a Category Error
• Title（参考訳）: 時系列モデル、カテゴリーエラーで休む(動画あり)
• Authors: Xilin Dai, Wanxu Cai, Zhijian Xu, Qiang Xu,
• Abstract要約: 時系列は相容れない生成過程を持っているため、モノリシックモデルは高価な「ジェネリックフィルタ」に縮退する。 エージェントが外部コンテキストを活用して特殊な解の階層を編成する因果制御エージェントのパラダイムに代えて普遍性を提唱する。 我々は、「ゼロショット精度」から「ドリフト適応速度」へのベンチマークのシフトを、堅牢で制御理論的なシステムに優先順位付けするよう求めて結論付けた。
• 参考スコア（独自算出の注目度）: 12.78669460902003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This position paper argues that the pursuit of "Universal Foundation Models for Time Series" rests on a fundamental category error, mistaking a structural Container for a semantic Modality. We contend that because time series hold incompatible generative processes (e.g., finance vs. fluid dynamics), monolithic models degenerate into expensive "Generic Filters" that fail to generalize under distributional drift. To address this, we introduce the "Autoregressive Blindness Bound," a theoretical limit proving that history-only models cannot predict intervention-driven regime shifts. We advocate replacing universality with a Causal Control Agent paradigm, where an agent leverages external context to orchestrate a hierarchy of specialized solvers, from frozen domain experts to lightweight Just-in-Time adaptors. We conclude by calling for a shift in benchmarks from "Zero-Shot Accuracy" to "Drift Adaptation Speed" to prioritize robust, control-theoretic systems.
• Abstract（参考訳）: このポジションペーパーは、"時系列のためのユニバーサルファンデーションモデル"の追求は、意味論的モダリティのための構造的コンテナを誤る、基本的なカテゴリエラーに依存している、と論じている。 時系列が非互換な生成過程(例えば金融対流体力学)を持っているため、モノリシックモデルは高コストの「ジェネリックフィルタ」に縮退し、分散的ドリフトの下で一般化できない。 この問題に対処するために、歴史のみのモデルでは介入駆動型体制シフトを予測できないという理論的な限界である「自己回帰的盲点境界」を導入する。 エージェントは外部コンテキストを利用して、フリーズドメインの専門家から軽量なJust-in-Timeアダプタに至るまで、特殊な問題解決者の階層を編成する。 我々は、「ゼロショット精度」から「ドリフト適応速度」へのベンチマークのシフトを、堅牢で制御理論的なシステムに優先順位付けするよう求めて結論付けた。

関連論文リスト

• On the Collapse of Generative Paths: A Criterion and Correction for Diffusion Steering [29.633206995806542]
  インタイムステアリングにより、事前トレーニングされた拡散/フローモデルを、再トレーニングせずに新しいタスクに適合させることができる。 この構造には批判的かつ以前は形式化されていなかった障害モード(Marginal Path Collapse)がある。 本稿では,Feynman-Kac ステアリングを時間変化指数に拡張する Adaptive path Correction with Exponents (ACE) を提案する。
  論文  参考訳（メタデータ） (2025-12-11T06:44:08Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Scaling Up Temporal Domain Generalization via Temporal Experts Averaging [108.44248708602221]
  時間領域の一般化は、時間的変化などの時間的分布シフトを一般化することを目的としている。 本稿では, 時間的エキスパート平均化(TEA)を提案する。これは, 一般化ポテンシャルを最大化するために, 重量平均化を用いてモデル全体を更新する, 新しくスケーラブルなTDGフレームワークである。 従来のTDG法では最大69%,効率は最大60倍であった。
  論文  参考訳（メタデータ） (2025-09-30T10:21:44Z)
• time2time: Causal Intervention in Hidden States to Simulate Rare Events in Time Series Foundation Models [7.400285974510125]
  我々は,ある事象の統計モーメントを他の事象に付与することで,隠れた状態を操作する因果的介入である移植活性化を導入する。 モデルが事象重大性の段階的概念を符号化し、潜在ベクトルノルムはシステム的ショックの大きさに直接関連していることがわかった。 本研究は, モデル予測を規定する潜在概念空間の証拠として, ポストホック帰属から直接因果介入への解釈可能性のシフトが示唆された。
  論文  参考訳（メタデータ） (2025-09-06T18:28:20Z)
• SelfAug: Mitigating Catastrophic Forgetting in Retrieval-Augmented Generation via Distribution Self-Alignment [49.86376148975563]
  大規模言語モデル(LLM)は、様々なタスクを理解し実行する能力を通じて自然言語処理に革命をもたらした。 教師付き微調整、特にRetrieval-Augmented Generation (RAG)のシナリオでは、しばしば破滅的な忘れが生じる。 本稿では,モデルのセマンティック分布を保存するために,入力シーケンスロジットをアライメントする自己分布アライメント手法であるSelfAugを提案する。
  論文  参考訳（メタデータ） (2025-09-04T06:50:47Z)
• Lightweight Channel-wise Dynamic Fusion Model: Non-stationary Time Series Forecasting via Entropy Analysis [25.291749176117662]
  我々は、分散が時系列の非定常性に対する有効かつ解釈可能なプロキシであることを示す。 軽量なtextitChannel-wise textitDynamic textitFusion textitModel(textitCDFM)を提案する。 7つの時系列データセットに関する総合的な実験は、CDFMの優位性と一般化能力を示している。
  論文  参考訳（メタデータ） (2025-03-04T13:29:42Z)
• IN-Flow: Instance Normalization Flow for Non-stationary Time Series Forecasting [38.4809915448213]
  固定統計量に依存しない時系列予測のための分離された定式化を提案する。 また、時系列変換のための新しい可逆ネットワークであるインスタンス正規化フロー(IN-Flow)を提案する。
  論文  参考訳（メタデータ） (2024-01-30T06:35:52Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
  本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。 提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)

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。