論文の概要: MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2602.13783v1
• Date: Sat, 14 Feb 2026 14:00:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.420639
• Title: MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models
• Title（参考訳）: MEMTS:時系列基礎モデルの検索自由領域適応のためのパラメータ化メモリによるドメイン知識の内在化
• Authors: Xiaoyun Yu, Li fan, Xiangfei Qiu, Nanqing Dong, Yonggui Huang, Honggang Qi, Geguang Pu, Wanli Ouyang, Xi Chen, Jilin Hu,
• Abstract要約: Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
• 参考スコア（独自算出の注目度）: 51.506429027626005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Time Series Foundation Models (TSFMs) have demonstrated exceptional performance in generalized forecasting, their performance often degrades significantly when deployed in real-world vertical domains characterized by temporal distribution shifts and domain-specific periodic structures. Current solutions are primarily constrained by two paradigms: Domain-Adaptive Pretraining (DAPT), which improves short-term domain fitting but frequently disrupts previously learned global temporal patterns due to catastrophic forgetting; and Retrieval-Augmented Generation (RAG), which incorporates external knowledge but introduces substantial retrieval overhead. This creates a severe scalability bottleneck that fails to meet the high-efficiency requirements of real-time stream processing. To break this impasse, we propose Memory for Time Series (MEMTS), a lightweight and plug-and-play method for retrieval-free domain adaptation in time series forecasting. The key component of MEMTS is a Knowledge Persistence Module (KPM), which internalizes domain-specific temporal dynamics, such as recurring seasonal patterns and trends into a compact set of learnable latent prototypes. In doing so, it transforms fragmented historical observations into continuous, parameterized knowledge representations. This paradigm shift enables MEMTS to achieve accurate domain adaptation with constant-time inference and near-zero latency, while effectively mitigating catastrophic forgetting of general temporal patterns, all without requiring any architectural modifications to the frozen TSFM backbone. Extensive experiments on multiple datasets demonstrate the SOTA performance of MEMTS.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は、一般化予測において例外的な性能を示したが、時間分布シフトとドメイン固有の周期構造を特徴とする実世界の垂直領域に展開すると、その性能は著しく低下することが多い。 ドメイン適応型事前学習(DAPT)は、短期的なドメイン適合性を改善するが、破滅的な忘れ込みによる学習済みのグローバルな時間的パターンを頻繁に破壊する。 これにより、リアルタイムストリーム処理の高効率要件を満たすことができない、厳しいスケーラビリティのボトルネックが発生します。 時系列予測における検索自由領域適応のための軽量かつプラグアンドプレイ方式であるメモリ・フォー・タイム・シリーズ(MEMTS)を提案する。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、季節パターンの繰り返しやトレンドといったドメイン固有の時間的ダイナミクスを学習可能な潜在プロトタイプのコンパクトなセットに内部化する。 そうすることで、断片化された歴史的観察を連続的でパラメータ化された知識表現に変換する。 このパラダイムシフトにより、MEMTSは、凍ったTSFMバックボーンのアーキテクチャ変更を必要とせず、時相パターンの破滅的な忘れを効果的に軽減しつつ、一定時間推論とほぼゼロのレイテンシで正確なドメイン適応を実現することができる。 複数のデータセットに対する大規模な実験は、MEMTSのSOTA性能を示す。

関連論文リスト

• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• FlexTSF: A Flexible Forecasting Model for Time Series with Variable Regularities [15.799253535795065]
  変動時間正規度を持つ時系列データに特化して設計されたフレキシブルな予測モデルであるFlexTSFを紹介する。 その基盤にはIVP(Initial Value Problems)を活用した継続的パッチモジュールであるIPP Patcherがある。 16のデータセットの実験では、FlexTSFの有効性が示され、古典的な予測シナリオにおいて既存のモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-30T16:14:09Z)
• TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
  TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。 TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。 我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-03T22:31:57Z)
• 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)

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。