論文の概要: KairosHope: A Next-Generation Time-Series Foundation Model for Specialized Classification via Dual-Memory Architecture

• arxiv url: http://arxiv.org/abs/2605.18657v2
• Date: Sat, 23 May 2026 17:18:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 16:32:37.669826
• Title: KairosHope: A Next-Generation Time-Series Foundation Model for Specialized Classification via Dual-Memory Architecture
• Title（参考訳）: KairosHope: デュアルメモリアーキテクチャによる特殊分類のための次世代時系列基盤モデル
• Authors: Luis Balderas, José Alberto Rodríguez, Miguel Lastra, Antonio Arauzo-Azofra, José M. Benítez,
• Abstract要約: カイロスホップ(KairosHope)は、分類タスクにおける解析的精度で大規模な一般化を再現するために設計された次世代のTSFMである。 大規模なモナシュのアーカイブで自己指導による事前訓練を行っている。 UCRベンチマークデータセットへの適応は、厳密な線形プローブとフルファインチューニングプロトコルを通じて行われる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time Series Foundation Models (TSFMs) have demonstrated notable success in general-purpose forecasting tasks; however, their adaptation to specialized classification problems remains constrained by the computational bottleneck of standard attention and the systematic omission of classical statistical knowledge. This technical report introduces KairosHope, a next-generation TSFM designed to reconcile massive generalization with analytical precision in classification tasks. The core of the proposal is the HOPE block, an architecture that replaces quadratic attention with a dual-memory system: Titans modules for dynamic short-term retention and a Continuum Memory System (CMS) for the abstraction of long-term historical context. To enrich the inductive bias, a Hybrid Decision Head is introduced, which fuses deep latent representations with deterministic statistical features extracted via tsfeatures package. KairosHope undergoes self-supervised pre-training on the massive Monash archive, combining Masked Time Series Modeling (MTSM) and contrastive learning (InfoNCE). Its subsequent adaptation to the UCR benchmark datasets is conducted through a rigorous Linear Probing and Full Fine-Tuning (LP-FT) protocol to prevent catastrophic forgetting. Empirical results demonstrate superior performance in domains characterized by strict temporal causality such as HAR or Sensor data. Consequently, KairosHope establishes a robust and efficient framework for the adaptation of foundation models to time series analysis.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は、汎用的な予測タスクにおいて顕著な成功を収めているが、標準化された分類問題への適応は、標準的注意の計算的ボトルネックと古典的統計知識の体系的欠落によって制限されている。 この技術報告はKairosHopeという次世代のTSFMを紹介します。 この提案の中核はHOPEブロックであり、これは二次的な注意を2重メモリシステムに置き換えるアーキテクチャである: 動的短期維持のためのタイタンモジュールと長期的歴史的文脈の抽象化のための連続記憶システム(CMS)である。 帰納バイアスを強化するために、tsfeaturesパッケージから抽出した決定論的統計特徴と深い潜伏表現を融合するハイブリッド決定ヘッドが導入された。 KairosHopeは大規模なMonashアーカイブ上で,Masked Time Series Modeling(MTSM)とコントラスト学習(InfoNCE)を組み合わせた,自己指導型事前トレーニングを実施している。 UCRベンチマークデータセットへのその後の適応は、悲惨な忘れ込みを防ぐために、厳密な線形プローブとフルファインチューニング(LP-FT)プロトコルによって行われる。 実験の結果,HARやSensorデータなどの厳密な時間的因果関係を特徴とする領域において,優れた性能を示す。 その結果、カイロスホプは時系列解析への基礎モデルの適応のための堅牢で効率的な枠組みを確立した。

関連論文リスト

• Seeking SOTA: Time-Series Forecasting Must Adopt Taxonomy-Specific Evaluation to Dispel Illusory Gains [17.650604674194984]
  我々は、AI/ML時系列予測モデルを評価する現在の実践は、効率的な古典的手法の性能を見極めることで、実際の進歩を曖昧にしていると論じる。 これらの「標準」データセットは、しばしばより単純な線形または統計モデルによって効果的に捉えられる、支配的な自己相関パターンと季節周期を示す。
  論文  参考訳（メタデータ） (2026-03-16T16:34:26Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  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。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• Advancing Analytic Class-Incremental Learning through Vision-Language Calibration [6.871141687303144]
  事前学習モデル(PTM)を用いたクラスインクリメンタルラーニング(CIL)は、効率的な適応と長期的安定性の間に重要なトレードオフに直面している。 我々は,2段階の視覚言語キャリブレーション戦略によって解析的CILを向上する新しいデュアルブランチフレームワークである textbfVILA を提案する。 我々のフレームワークは解析学習の単純さと高忠実度予測を調和させる。
  論文  参考訳（メタデータ） (2026-02-14T08:32:51Z)
• Robust Probabilistic Load Forecasting for a Single Household: A Comparative Study from SARIMA to Transformers on the REFIT Dataset [0.0]
  本稿では,揮発性REFIT家庭データセットを用いた課題に取り組む。 まず、季節計算法を選択するための厳密な比較実験を行うことで、この問題に対処する。 そして、古典的なベースラインから機械学習へと進化するモデル階層を体系的に評価する。 我々の研究結果によると、古典的なモデルはデータの非線形でシステマティックな振る舞いを捉えるのに失敗している。
  論文  参考訳（メタデータ） (2025-11-30T12:05:18Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Hierarchical Classification Auxiliary Network for Time Series Forecasting [26.92086695600799]
  本稿では,時系列値をトークン化して,クロスエントロピー損失による予測モデルをトレーニングする手法を提案する。 HCANは、異なる階層レベルで多粒度高エントロピー特徴を統合する。 HCANと最先端の予測モデルを統合する実験は、いくつかの実世界のデータセットのベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-05-29T10:38:25Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Temporal-Structure-Assisted Gradient Aggregation for Over-the-Air Federated Edge Learning [24.248673415586413]
  本稿では,モデル集約系列の固有時間構造を特徴付けるマルコフ確率モデルを提案する。 本研究では,時間構造支援勾配集約(TSA-GA)と呼ばれるメッセージパッシングアルゴリズムを開発し,この推定課題を満たす。 提案するtsagaアルゴリズムは最先端技術を大幅に上回り,同等の学習性能を達成可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-03T09:13:27Z)

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。