論文の概要: A Family of Open Time-Series Foundation Models for the Radio Access Network

• arxiv url: http://arxiv.org/abs/2604.04271v1
• Date: Sun, 05 Apr 2026 21:24:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.018149
• Title: A Family of Open Time-Series Foundation Models for the Radio Access Network
• Title（参考訳）: 無線アクセスネットワークのためのオープン時系列基礎モデルの一家系
• Authors: Ioannis Panitsas, Leandros Tassiulas,
• Abstract要約: TimeRANは、RANにおける時系列モデリングのための統合されたマルチタスク学習フレームワークである。 TimeRANは、限られた監督下で様々なタスクに効率的に適応できる転送可能な表現を学習する。 TimeRANは、異常検出、分類、予測、計算を含むRAN分析タスクの総合的なセットで評価する。
• 参考スコア（独自算出の注目度）: 7.440677492469226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Radio Access Network (RAN) is evolving into a programmable and disaggregated infrastructure that increasingly relies on AI-native algorithms for optimization and closed-loop control. However, current RAN intelligence is still largely built from task-specific models tailored to individual functions, resulting in model fragmentation, limited knowledge sharing across tasks, poor generalization, and increased system complexity. To address these limitations, we introduce TimeRAN, a unified multi-task learning framework for time-series modeling in the RAN. TimeRAN leverages a lightweight time-series foundation model with few task-specific heads to learn transferable representations that can be efficiently adapted across diverse tasks with limited supervision. To enable large-scale pretraining, we further curate and open-source TimeRAN DataPile, the largest time-series corpus for RAN analytics to date, comprising over 355K time series and 0.56B measurements across diverse telemetry sources, protocol layers, and deployment scenarios. We evaluate TimeRAN across a comprehensive set of RAN analytics tasks, including anomaly detection, classification, forecasting, and imputation, and show that it achieves state-of-the-art performance with minimal or no task-specific fine-tuning. Finally, we integrate TimeRAN into a proof-of-concept 5G testbed and demonstrate that it operates efficiently with limited resource requirements in real-world scenarios.
• Abstract（参考訳）: Radio Access Network(RAN)は、最適化とクローズドループ制御のためにAIネイティブアルゴリズムにますます依存する、プログラマブルで分離されたインフラストラクチャへと進化している。 しかし、現在のRANインテリジェンスは、個々の機能に適したタスク固有のモデルから構築され、結果としてモデルの断片化、タスク間の知識共有の制限、一般化の貧弱、システムの複雑さの増大といった結果になる。 これらの制約に対処するため、RANにおける時系列モデリングのためのマルチタスク学習フレームワークであるTimeRANを紹介した。 TimeRANは、タスク固有のヘッドがほとんどない軽量な時系列基盤モデルを利用して、さまざまなタスクに効率的に適応可能な転送可能な表現を学習し、監督が限定されている。 大規模な事前トレーニングを可能にするため、これまでにRAN分析用として最大の時系列コーパスであるTimeRAN DataPileを、さまざまなテレメトリソース、プロトコル層、デプロイメントシナリオにまたがる355Kの時系列と0.56Bの測定で、さらにキュレートし、オープンソース化しています。 我々は、異常検出、分類、予測、計算を含む包括的 RAN 解析タスクの集合にわたって TimeRAN を評価し、タスク固有の微調整を最小あるいは全く行わずに最先端のパフォーマンスを達成することを示す。 最後に、TimeRANを概念実証5Gテストベッドに統合し、実世界のシナリオにおいて限られたリソース要件で効率的に動作することを示す。

関連論文リスト

• TSAQA: Time Series Analysis Question And Answering Benchmark [85.35545785252309]
  時系列データは、金融、医療、交通、環境科学といった分野における重要な応用に不可欠である。 TSAQAはタスクカバレッジを拡大し、多様な時間的分析能力を評価するために設計された新しい統合ベンチマークである。
  論文  参考訳（メタデータ） (2026-01-30T17:28:56Z)
• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• Unlocking the Power of Mixture-of-Experts for Task-Aware Time Series Analytics [18.97715342585514]
  時系列分析は、天気予報、金融詐欺検出、IoTシステムの欠落データに対する計算、行動認識のための分類など、さまざまな現実世界のアプリケーションで広く利用されている。 MoEは強力なアーキテクチャでありながら、タスクに依存しないルータとチャネル相関をモデル化する能力の欠如により、時系列分析における汎用タスクへの適応に依然として不足している。 PatchMoEと呼ばれる新しいMoEベースの時系列フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-26T12:44:46Z)
• A Wireless Foundation Model for Multi-Task Prediction [50.21098141769079]
  多様な予測区間をサポートする無線ネットワークにおけるマルチタスク予測のための統合基盤モデルを提案する。 大規模データセットをトレーニングした後、提案した基礎モデルは、新しいタスクにおいて、目に見えないシナリオとゼロショットのパフォーマンスに強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-07-08T12:37:55Z)
• LAST SToP For Modeling Asynchronous Time Series [19.401463051705377]
  Asynchronous Time Series に合わせたLarge Language Models (LLM) のための新しいプロンプト設計を提案する。 我々のアプローチはイベント記述のリッチな自然言語を効果的に活用し、LLMはさまざまなドメインやタスクをまたがる推論において、広範囲にわたる知識の恩恵を受けることができる。 さらに、モデル性能を大幅に向上させる新しいプロンプトチューニング機構であるSoft Promptingを導入し、QLoRAのような既存の微調整方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-04T01:42:45Z)
• Reprogramming Foundational Large Language Models(LLMs) for Enterprise Adoption for Spatio-Temporal Forecasting Applications: Unveiling a New Era in Copilot-Guided Cross-Modal Time Series Representation Learning [0.0]
  パティオ時間予測は、輸送システム、物流、サプライチェーン管理など、様々な分野において重要な役割を担っている。 本稿では,オープンソースの大規模・小規模言語モデル(LLM,LM)と従来の予測手法を組み合わせたハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2024-08-26T16:11:53Z)
• 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)
• Multi-Task Time Series Forecasting With Shared Attention [15.294939035413217]
  マルチタスク時系列予測のための2つの自己注目型共有方式を提案する。 提案アーキテクチャは,最先端の単一タスク予測ベースラインを上回るだけでなく,RNNベースのマルチタスク予測手法よりも優れている。
  論文  参考訳（メタデータ） (2021-01-24T04:25:08Z)

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。