論文の概要: Non-Stationarity in the Embedding Space of Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2604.16428v1
• Date: Mon, 06 Apr 2026 05:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:13.989256
• Title: Non-Stationarity in the Embedding Space of Time Series Foundation Models
• Title（参考訳）: 時系列基礎モデルの埋め込み空間における非定常性
• Authors: Jinmyeong Choi, Brad Shook, Artur Dubrawski,
• Abstract要約: 制御条件下での埋め込み空間において,分布非定常性の異なる形態が線形にアクセス可能となるかを検討する。 非定常性の埋め込み空間検出性はスムーズに低下し、異なるモデルが異なるモデル固有の障害モードを示すことが判明した。
• 参考スコア（独自算出の注目度）: 13.47605888758828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series foundation models (TSFMs) are widely used as generic feature extractors, yet the notion of non-stationarity in their embedding spaces remains poorly understood. Recent work often conflates non-stationarity with distribution shift, blurring distinctions fundamental to classical time-series analysis and long-standing methodologies such as statistical process control (SPC). In SPC, non-stationarity signals a process leaving a stable regime - via shifts in mean, variance, or emerging trends - and detecting such departures is central to quality monitoring and change-point analysis. Motivated by this diagnostic tradition, we study how different forms of distributional non-stationarity - mean shifts, variance changes, and linear trends - become linearly accessible in TSFM embedding spaces under controlled conditions. We further examine temporal non-stationarity arising from persistence, which reflects violations of weak stationarity due to long-memory or near-unit-root behavior rather than explicit distributional shifts. By sweeping shift strength and probing multiple TSFMs, we find that embedding-space detectability of non-stationarity degrades smoothly and that different models exhibit distinct, model-specific failure modes.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は一般的な特徴抽出器として広く用いられているが、その埋め込み空間における非定常性の概念は理解されていない。 最近の研究はしばしば分布シフトと非定常性を混同し、古典的時系列解析や統計的プロセス制御(SPC)のような長年の方法論の基本的特徴を曖昧にしている。 SPCでは、非定常性(non-stationarity)は、平均、分散、または出現するトレンドのシフトを通じて、安定した体制を離脱するプロセスを示し、そのような離脱を検出することは、品質監視と変化点分析の中心となる。 この診断の伝統により、制御条件下でのTSFM埋め込み空間において、分布非定常性(平均シフト、分散変化、線形トレンド)の異なる形態がどのように線形アクセス可能となるかを研究する。 さらに, 持続性に起因する時間的非定常性について検討し, 明示的な分布シフトではなく, 長期記憶や近接単位根の挙動による弱定常性違反を反映する。 シフト強度を網羅し、複数のTSFMを探索することにより、非定常性の埋め込み空間検出性はスムーズに低下し、異なるモデルが異なるモデル固有の障害モードを示すことがわかった。

関連論文リスト

• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
  Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。 シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。 そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
  論文  参考訳（メタデータ） (2025-11-13T03:10:39Z)
• Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
  連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。 本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。 我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
  論文  参考訳（メタデータ） (2024-10-03T09:07:13Z)
• Considering Nonstationary within Multivariate Time Series with Variational Hierarchical Transformer for Forecasting [12.793705636683402]
  MTS内の非定常性と固有特性を考慮した強力な階層的確率的生成モジュールを開発した。 次に、階層時間系列変分変換器(HTV-Trans)という、明確に定義された変動生成動的モデルに対する変換器と組み合わせる。 HTV-Transは強力な確率モデルであり、MTSの表現表現を学習し、予測タスクに適用する。
  論文  参考訳（メタデータ） (2024-03-08T16:04:36Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Nonstationary Time Series Forecasting via Unknown Distribution Adaptation [22.915008205203886]
  環境が進化するにつれて、時間分布シフトは時系列予測性能を低下させる可能性がある。 均一分布シフトを仮定して定常成分と非定常成分をアンタングルする手法もあるが、分布変化が未知であることから現実的ではない。 非定常時系列予測のためのtextbfUnknown textbfDistribution textbfAdaptation (textbfUDA) モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-20T07:16:12Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)

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。