Fugu-MT 論文翻訳(概要): TimeRFT: Stimulating Generalizable Time Series Forecasting for TSFMs via Reinforcement Finetuning

論文の概要: TimeRFT: Stimulating Generalizable Time Series Forecasting for TSFMs via Reinforcement Finetuning

arxiv url: http://arxiv.org/abs/2605.00015v1
Date: Sat, 18 Apr 2026 06:22:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-11 06:56:26.401973
Title: TimeRFT: Stimulating Generalizable Time Series Forecasting for TSFMs via Reinforcement Finetuning
Title（参考訳）: TimeRFT:強化ファインタニングによるTSFMの一般化可能な時系列予測のシミュレーション
Authors: Siyang Li, Yize Chen, Zijie Zhu, Yuxin Pan, Yan Guo, Ming Huang, Hui Xiong,
Abstract要約: 時系列基礎モデル(TSFM)は、大規模事前学習による時系列予測における一般化とデータ効率を向上する。本稿では,TSFM下流適応のための時系列強化ファインタニング(TimeRFT)パラダイムについて紹介する。大規模な実験では、TimeRFTは様々な実世界の予測タスクやデータ体制のトレーニングにおいて、SFTベースの適応手法を一貫して上回ります。
参考スコア（独自算出の注目度）: 17.14331763602024
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time Series Foundation Models (TSFMs) advance generalization and data efficiency in time series forecasting by unified large-scale pretraining. But TSFMs remain lacking when adapting to specific downstream forecasting tasks for two reasons. First, the non-stationary and uncertain nature of time series data lead to inevitable temporal distribution shifts between historical training and future testing data, while current Supervised FineTuning (SFT)-based methods are prone to overfitting and may degrade generalization. Second, training data availability varies across forecasting tasks, requiring TSFMs to generalize well under diverse data regimes. To address these challenges, we introduce the Time series Reinforcement Finetuning (TimeRFT) paradigm for TSFM downstream adaptation, which consists of two task-specific training recipes: i) A forecasting quality-based temporal reward mechanism that conducts a multi-faceted evaluation of the contribution of each prediction step to overall forecasting accuracy. ii) A forecasting difficulty-based data selection strategy to identify time series samples with generalizable predictive patterns and informative training signals. Extensive experiments demonstrate TimeRFT can consistently outperform SFT-based adaptation methods across various real-world forecasting tasks and training data regimes, enhancing prediction accuracy and generalization against unforeseen distribution shifts.
Abstract（参考訳）: 時系列基礎モデル(TSFM)は、大規模事前学習による時系列予測における一般化とデータ効率を向上する。しかし、TSFMは2つの理由から、特定の下流予測タスクに対応していない。第一に、時系列データの非定常的かつ不確実な性質は、過去のトレーニングと将来のテストデータの間に必然的な時間的分布シフトをもたらすが、現在のSupervised FineTuning(SFT)ベースの手法は過度に適合し、一般化を低下させる可能性がある。第2に、トレーニングデータの可用性は予測タスクによって異なり、さまざまなデータ体制の下でTSFMを適切に一般化する必要がある。これらの課題に対処するために、TSFM下流適応のためのTime Series Reinforcement Finetuning(TimeRFT)パラダイムを紹介した。一予測精度に対する各予測ステップの貢献の多面的評価を行う予測品質に基づく時間報酬機構。二予測困難に基づくデータ選択戦略により、一般化可能な予測パターン及び情報学習信号を用いて時系列サンプルを識別する。広範囲な実験により、TimeRFTは様々な実世界の予測タスクやトレーニングデータレシスタンスでSFTベースの適応手法を一貫して上回り、予測精度を向上し、予期せぬ分布シフトに対する一般化を可能にすることが実証された。

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)
Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。 TSFMの新しい調停フレームワークであるSynapseを提案する。その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
論文参考訳（メタデータ） (2025-11-07T18:01:51Z)
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)
Improving Time Series Forecasting via Instance-aware Post-hoc Revision [44.90322487625981]
時系列予測は、様々な現実世界の応用において重要な役割を果たす。近年の手法は、先進的帰納バイアスとトレーニング戦略を取り入れることで、顕著な精度を実現している。本稿では,予測性能を向上させるためのモデルに依存しないフレームワークであるPIRを提案する。
論文参考訳（メタデータ） (2025-05-29T15:56:41Z)
TS-RAG: Retrieval-Augmented Generation based Time Series Foundation Models are Stronger Zero-Shot Forecaster [14.512119661418522]
時系列予測のための検索拡張生成フレームワークTS-RAGを提案する。具体的には、TS-RAGはトレーニング済みの時系列エンコーダを利用して、専用の知識ベースから意味的に関連するセグメントを検索する。 TS-RAG は最先端のゼロショット予測性能を達成し,既存の TSFM を6.84% まで上回った。
論文参考訳（メタデータ） (2025-03-06T16:48:48Z)
Battling the Non-stationarity in Time Series Forecasting via Test-time Adaptation [39.7344214193566]
時系列予測(TSF)に適した先駆的なテスト時間適応フレームワークを提案する。 TSF-TTAに対する提案手法であるTAFASは、事前学習中に学習したコアセマンティック情報を保存しながら、ソース予測器をフレキシブルに適応してテスト分布を継続的にシフトさせる。部分的に観測された真実とゲートキャリブレーションモジュールの新たな利用により、ソース予測器のプロアクティブ、ロバスト、モデルに依存しない適応が可能となった。
論文参考訳（メタデータ） (2025-01-09T04:59:15Z)
Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [51.01356105618118]
時系列はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。既存のアプローチでは、通常、これらのさまざまなパターンをキャプチャするために単一のモデルをトレーニングするが、しばしばパッチ間のパターンのドリフトに苦労する。より正確で適応可能な時系列予測にパターン特化の専門家を活用する新しいアーキテクチャであるTFPSを提案する。
論文参考訳（メタデータ） (2024-10-13T13:35:29Z)
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文参考訳（メタデータ） (2023-10-17T20:30:16Z)
Self-Adaptive Forecasting for Improved Deep Learning on Non-Stationary Time-Series [20.958959332978726]
SAFは、バックキャストに基づく予測に先立って自己適応段階を統合する」提案手法は,符号化された表現を進化する分布に効率よく適応させることにより,より優れた一般化を実現する。時系列データが医療や金融などの非定常性で知られる領域における合成および実世界のデータセットについて、SAFの顕著なメリットを実証する。
論文参考訳（メタデータ） (2022-02-04T21:54:10Z)

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。