Fugu-MT 論文翻訳(概要): Investigating simple target-covariate relationships for Chronos-2 and TabPFN-TS

論文の概要: Investigating simple target-covariate relationships for Chronos-2 and TabPFN-TS

arxiv url: http://arxiv.org/abs/2605.12200v1
Date: Tue, 12 May 2026 14:38:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-13 21:48:56.932909
Title: Investigating simple target-covariate relationships for Chronos-2 and TabPFN-TS
Title（参考訳）: Chronos-2とTabPFN-TSの単純なターゲット-共変量関係の検討
Authors: Gaspard Berthelier, Mariia Baranova, Andrei-Tiberiu Pantea, Etienne Le Naour, Adrien Petralia, Tahar Nabil, Themis Palpanas,
Abstract要約: Time Series Foundation Models (TSFM)は、最近最先端のパフォーマンスを達成した。 Chronos-2やTabPFN-TSといった最近のTSFMアーキテクチャは、共変量の統合を目指している。
参考スコア（独自算出の注目度）: 5.772617906251992
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time Series Foundation Models (TSFMs) have recently achieved state-of-the-art performance, often outperforming supervised models in zero-shot settings. Recent TSFM architectures, such as Chronos-2 and TabPFN-TS, aim to integrate covariates. In this paper, we design controlled experiments based on simple target-covariate relationships to assess this integration capability. Our results show that TabPFN-TS captures these relationships more effectively than Chronos-2, especially for short horizons, suggesting that the strong benchmark performance of Chronos-2 does not automatically translate into optimal modeling of simple covariate-target dependencies.
Abstract（参考訳）: 時系列ファウンデーションモデル(TSFM)は、最近最先端のパフォーマンスを達成し、しばしばゼロショット設定で教師付きモデルを上回っている。 Chronos-2やTabPFN-TSといった最近のTSFMアーキテクチャは、共変量の統合を目指している。本稿では,この統合能力を評価するために,単純な目標共変量関係に基づく制御実験を設計する。以上の結果から,TabPFN-TSはChronos-2よりも効果的にこれらの関係を捉えており,Chronos-2のベンチマーク性能は単純共変量-ターゲット依存性の最適モデルに自動的に変換されないことが示唆された。

関連論文リスト

Ensuring Reliability in Programming Knowledge Tracing: A Re-evaluation of Attention-augmented Models and Experimental Protocols [0.6015898117103068]
本研究は,代表的PKTモデルを再検討し,モデル構成とシーケンス構築の実践により,報告された利得が著しく影響を受けることを示す。性能評価に影響を与える注意設定の問題を特定し,ServerTimestampを無視するなどの学生の試みの不適切な順序が時間的因果性に反し,過度に楽観的な結果をもたらすことを実証する。
論文参考訳（メタデータ） (2026-05-06T10:22:21Z)
Assessing Electricity Demand Forecasting with Exogenous Data in Time Series Foundation Models [0.0]
本稿では,ベースラインLSTMに対するクロスチャネル相関をモデル化できる基礎モデルについて実験的に評価する。この単純な基準線は、シンガポールの安定な気候、特に短期的な地平線において、全ての基礎モデルを上回ることがよく見られる。これらの結果は、普遍的な基盤モデル優位性に関する仮定に挑戦し、ドメイン固有モデルの必要性を強調している。
論文参考訳（メタデータ） (2026-02-05T07:17:21Z)
Distilling Time Series Foundation Models for Efficient Forecasting [28.730703685779186]
時系列基礎モデル(TSFM)に特化して設計された最初の蒸留フレームワークであるDistilTSについて紹介する。 DistilTSは,(1)タスクの難しさの相違,すなわち予測に特有な,一様重み付けが短期的地平線に支配されるのに対して,長期的な地平線はより監督が弱い,(2)蒸留におけるアーキテクチャの相違,すなわち時系列予測におけるアライメント機構を設計する,という2つの課題に対処する。複数のベンチマークの実験では、DistilTSはフルサイズのTSFMに匹敵する予測性能を達成し、パラメータを最大1/150まで削減し、推論を最大6000倍高速化している。
論文参考訳（メタデータ） (2026-01-19T07:32:00Z)
Chronos-2: From Univariate to Universal Forecasting [52.753731922908905]
Chronos-2は、一変量、多変量、共変量による予測タスクをゼロショットで処理できる事前訓練されたモデルである。 fev-bench、GIFT-Eval、Chronos Benchmark IIの3つの総合ベンチマークで最先端のパフォーマンスを提供する。 Chronos-2のコンテキスト内学習能力は、現実世界の予測パイプラインで"as is"として使用できる汎用予測モデルとして確立されている。
論文参考訳（メタデータ） (2025-10-17T17:00:53Z)
Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
論文参考訳（メタデータ） (2025-09-28T07:07:13Z)
VARMA-Enhanced Transformer for Time Series Forecasting [4.982130518684668]
VARMAformerは、古典的な時系列分析の原理で、クロスアテンションのみのフレームワークの効率を相乗化する新しいアーキテクチャである。これらの古典的な洞察を現代のバックボーンに融合させることで、VARMAformerはグローバル、長距離の依存関係と局所的な統計構造の両方をキャプチャする。
論文参考訳（メタデータ） (2025-09-05T03:32:51Z)
DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文参考訳（メタデータ） (2024-06-05T06:18:03Z)
Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
論文参考訳（メタデータ） (2023-06-09T06:02:01Z)
Joint Feature Learning and Relation Modeling for Tracking: A One-Stream Framework [76.70603443624012]
特徴学習と関係モデリングを統合した新しい一ストリーム追跡(OSTrack)フレームワークを提案する。このようにして、相互誘導により識別的目標指向特徴を動的に抽出することができる。 OSTrackは、複数のベンチマークで最先端のパフォーマンスを実現しており、特に、ワンショットトラッキングベンチマークのGOT-10kでは印象的な結果を示している。
論文参考訳（メタデータ） (2022-03-22T18:37:11Z)

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。