論文の概要: Assessing the Operational Viability of Foundation Models for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.24381v1
• Date: Sat, 23 May 2026 03:40:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.962061
• Title: Assessing the Operational Viability of Foundation Models for Time Series Forecasting
• Title（参考訳）: 時系列予測のための基礎モデルの運用可能性の評価
• Authors: Kavin Soni, Debanshu Das, Vamshi Guduguntla,
• Abstract要約: 時系列予測は、金融、輸送、エネルギーといった分野における運用上の決定を促進する。 教師付き学習アプローチは高いパフォーマンスを達成する一方で、ドメイン固有のトレーニング、機能エンジニアリング、継続的なメンテナンスが必要である。 大規模なファウンデーションモデルは、最近ゼロショットの代替として登場し、LSMのようなタスク固有のトレーニングを避けた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting drives operational decisions in areas like finance, transportation, and energy. While supervised learning approaches achieve strong performance, they require domain-specific training, feature engineering, and ongoing maintenance. Large-scale foundation models have recently emerged as a zero-shot alternative, avoiding task-specific training much like LLMs. In this work, we evaluate foundation models against standard supervised approaches. Rather than focusing solely on aggregate accuracy, we analyze performance across four operational regimes: periodic human-centric systems, physically constrained processes, stochastic financial markets, and heterogeneous demand forecasting. Our results characterize optimal deployment areas. Foundation models perform well in domains with transferable periodic structures and are efficient for cold-start or long-tail scenarios. Conversely, supervised specialists maintain higher precision in systems governed by strict physical constraints. In financial domains, newer foundation models are rapidly closing the performance gap with supervised specialists. We further quantify trade-offs in inference latency, data drift adaptability, and deployment constraints. Finally, we propose a Complexity Router that assigns each series to the optimal model class using empirical features. We demonstrate that this selective routing achieves higher accuracy and significantly lower inference costs compared to deploying a universal foundation model, providing a practical framework for balancing generalization and efficiency.
• Abstract（参考訳）: 時系列予測は、金融、輸送、エネルギーといった分野における運用上の決定を促進する。 教師付き学習アプローチは高いパフォーマンスを達成する一方で、ドメイン固有のトレーニング、機能エンジニアリング、継続的なメンテナンスが必要である。 大規模なファウンデーションモデルは、最近ゼロショットの代替として登場し、LSMのようなタスク固有のトレーニングを避けた。 本研究では,標準教師付きアプローチに対する基礎モデルの評価を行う。 集計精度にのみ焦点をあてるのではなく、定期的な人中心システム、物理的に制約されたプロセス、確率的金融市場、不均一な需要予測の4つの運用体制のパフォーマンスを分析する。 この結果は最適な配置領域を特徴付ける。 ファンデーションモデルは、転送可能な周期構造を持つドメインでよく機能し、コールドスタートやロングテールのシナリオに効果的である。 逆に、監督専門家は厳格な物理的制約によって統治されるシステムにおいて高い精度を維持している。 金融分野では、新しいファンデーションモデルが監督専門家によるパフォーマンスギャップを急速に埋めている。 さらに、推論レイテンシ、データドリブン適応性、デプロイメント制約のトレードオフを定量化します。 最後に,各系列を経験的特徴を用いた最適モデルクラスに割り当てる複素性ルータを提案する。 この選択的ルーティングは、一般化と効率のバランスをとるための実践的な枠組みを提供することにより、普遍的な基礎モデルを配置するよりも精度が高く、推論コストが大幅に低いことを実証する。

関連論文リスト

• On Predicting the Post-training Potential of Pre-trained LLMs [60.07459271263409]
  本稿では,ポストトレーニング前のベースモデルの性能予測という,ポストトレーニング後の潜在能力を予測するための新しいタスクを紹介する。 本稿では,応答判別を活用することで,ベースモデルの生成ギャップを回避できる統一フレームワークであるRuDEを提案する。 実験では、トレーニング後のパフォーマンスと90%以上の相関を示す。
  論文  参考訳（メタデータ） (2026-05-12T11:33:49Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• Demystifying Domain-adaptive Post-training for Financial LLMs [87.28855088465197]
  FINDAPは、大規模言語モデルのドメイン適応後トレーニングに関する体系的できめ細かな研究である。 このアプローチは、FinCap、FinRec、FinTrain、FinEvalの4つの重要なコンポーネントで構成されています。 結果として得られるモデルであるLlama-Finは、幅広い財務タスクにわたる最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-01-09T04:26:15Z)
• Zero-shot forecasting of chaotic systems [6.445605125467573]
  多様なドメインからの膨大な時系列データに基づいて事前訓練されたファンデーションモデル。 ゼロショット学習パラダイムがカオスシステムを予測する困難な課題に拡張されるかどうかを評価する。
  論文  参考訳（メタデータ） (2024-09-24T05:56:58Z)
• Advancing Enterprise Spatio-Temporal Forecasting Applications: Data Mining Meets Instruction Tuning of Language Models For Multi-modal Time Series Analysis in Low-Resource Settings [0.0]
  パティオ時間予測は輸送、物流、サプライチェーン管理において重要である。 本稿では,従来の予測手法の強みと小言語モデルの命令チューニングを融合した動的マルチモーダル手法を提案する。 我々のフレームワークは、推論速度とデータプライバシ/セキュリティを維持しながら、計算とメモリの要求を低減したオンプレミスのカスタマイズを可能にする。
  論文  参考訳（メタデータ） (2024-08-24T16:32:58Z)
• LENS: Large Pre-trained Transformer for Exploring Financial Time Series Regularities [3.475989206546412]
  金融時系列の事前学習モデルである textbfLENS を提案する。 textbfLENSは、慎重に構築されたモデルアーキテクチャを通じて、金融システムの複雑さを効果的にキャプチャする。 我々の研究は、高雑音環境下で事前学習された時系列モデルの開発に関する実践的な洞察を提供する。
  論文  参考訳（メタデータ） (2024-08-19T15:59:46Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)

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。