論文の概要: Rethinking Post-Training Recipes for Multimodal Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.29401v1
• Date: Thu, 28 May 2026 05:52:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.770741
• Title: Rethinking Post-Training Recipes for Multimodal Time-Series Forecasting
• Title（参考訳）: マルチモーダルな時系列予測のためのトレーニング後のレシピの再考
• Abstract要約: 我々は,マルチモーダルな時系列予測手法について論じる。 Supervised Fine-Tuning (SFT) と Supervisement Learning with Verifiable Rewards (RLVR) を組み合わせたポストトレーニングレシピであるPostTimeを紹介する。 Gemma-3-4B LLMとTimesFM-2.5 TSFMを用いて,TimesXマルチモーダル予測ベンチマークで本手法を評価する。
• 参考スコア（独自算出の注目度）: 30.02814339453953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-Series Foundation Models (TSFMs) excel at zero-shot unimodal forecasting using numerical data, but unlike LLMs they cannot consume multimodal, non-numerical context that often shape real-world trajectories. In this work, we bridge this gap and argue for a multimodal time-series forecasting approach that post-trains LLMs to act as context-guided revisors over strong numerical TSFM priors. We introduce PostTime, a post-training recipe combining Supervised Fine-Tuning (SFT) and Reinforcement Learning with Verifiable Rewards (RLVR), along with a methodology to generate automated reasoning traces for forecast revisions. PostTime teaches an LLM to generate context-conditioned forecast interventions -- decisions to revise, preserve, or ignore the TSFM prior based on the multimodal context. We evaluate this approach on the TimesX multimodal forecasting benchmark using a Gemma-3-4B LLM and TimesFM-2.5 TSFM, and show that it significantly outperforms standalone TSFMs, LLM-only baselines, and existing multimodal forecasting approaches.
• Abstract（参考訳）: Time-Series Foundation Models (TSFMs) は、数値データを用いてゼロショット・ユニモーダル予測を排他的に行うが、LLMとは異なり、実世界の軌道を形作るようなマルチモーダルで非数値的なコンテキストを消費することはできない。 本研究では,このギャップを埋め,マルチモーダルな時系列予測手法を提案する。 本稿では,Reinforcement Learning with Verifiable Rewards (RLVR) と Supervised Fine-Tuning (SFT) を組み合わせたポストトレーニングレシピと,予測修正のための自動推論トレースを生成する手法を紹介する。 PostTimeは、マルチモーダルコンテキストに基づいてTSFMを修正、保存、無視するという、コンテキスト条件の予測介入を生成することをLLMに教えている。 Gemma-3-4B LLMとTimesFM-2.5 TSFMを用いたTimesXマルチモーダル予測ベンチマークにおいて,本手法はスタンドアロンのTSFM,LLMのみのベースライン,既存のマルチモーダル予測手法を著しく上回ることを示す。

関連論文リスト

• LLM as Forecasting Planner: Training-Free Text Conditioning for Time-Series Foundation Models [7.741162056503623]
  時系列基礎モデル(TSFM)は強い数値予測を提供するが、大きな言語モデル(LLM)はテキスト上で推論できる。 我々は、TSFM生成軌道上での予測を計画問題として定式化する。 これをrc(textbfLLM textbfAs textbfForecasting textbfPlanner)としてインスタンス化する。
  論文  参考訳（メタデータ） (2026-07-27T15:02:40Z)
• Distribution-Aware Diffusion-LLM for Robust Ultra-Long-Term Time Series Forecasting [8.2867621159451]
  時系列予測は基本的な機械学習タスクである。 最近の研究は、この目的のために、強力な一般化、パターン認識、ゼロショットまたは少数ショット機能のために、Large Language Models (LLMs)を探索している。 LLMに基づく予測パイプラインに条件付き拡散モデルを統合する新しいフレームワークDiffusion-LLMを提案する。
  論文  参考訳（メタデータ） (2026-06-22T14:18:28Z)
• KairosAgent: Agentic Time Series Forecasting with Fused Semantic Reasoning [25.103984906343328]
  クロスドメインマルチモーダル時系列予測は、正確な数値理解、クロスドメインセマンティック理解、効果的なマルチモーダル融合をモデルに統合する必要がある、難しい課題である。 既存のアプローチは、時系列基礎モデル(TSFM)をスクラッチから構築するか、事前訓練された大規模言語モデル(LLM)を活用するかのいずれかである。 LLMベースの推論器とTSFMベースの予測器を含む,マルチモーダル時系列予測のための新しいエージェントフレームワークであるKairosAgentを提案する。
  論文  参考訳（メタデータ） (2026-05-28T14:32:48Z)
• Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
  時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
  論文  参考訳（メタデータ） (2026-05-14T05:12:13Z)
• Reasoning-Aware Training for Time Series Forecasting [44.62309170542093]
  Time Series Foundation Models (TSFMs) は数値予測では優れているが、定性的推論を欠いたブラックボックスとして運用されている。 テキストトークンライザは連続した数値を断片化し、数学的関係を劣化させ、配列の長さを爆発させる。 STRIDE (Strategic Time-Series Reasoning Injected by Distilled Embeddings) について紹介する。 STRIDEは離散トークンの代わりに、トレースの推論を軽量のLCMに蒸留し、ターゲットの数値エンコーダに先立って平均プールされた隠された状態をクロスモーダルとして動的に投影する。
  論文  参考訳（メタデータ） (2026-05-09T02:41:47Z)
• TS-Reasoner: Aligning Time Series Foundation Models with LLM Reasoning [17.69077698133793]
  時系列推論は、金融、エネルギー利用、交通、天候、科学的発見など、さまざまな領域における意思決定に不可欠である。 LLMは時系列データの数値的理解に苦慮することが多い。 そこで我々は,アライメント事前学習後に微調整を施したトレーニングレシピを開発した。
  論文  参考訳（メタデータ） (2025-10-03T21:20:54Z)
• Distilling Transitional Pattern to Large Language Models for Multimodal Session-based Recommendation [67.84581846180458]
  セッションベースのレコメンデーション(SBR)は、匿名セッションに基づいて次の項目を予測する。 近年のMultimodal SBR法は、モダリティ学習に単純化された事前学習モデルを用いるが、セマンティック・リッチネスに制限がある。 蒸留パラダイムを拡張し,MSBRの促進のための遷移パターンを分離・整合させる多モードLCM拡張フレームワークTPADを提案する。
  論文  参考訳（メタデータ） (2025-04-13T07:49:08Z)
• LLM-PS: Empowering Large Language Models for Time Series Forecasting with Temporal Patterns and Semantics [56.99021951927683]
  Time Series Forecasting (TSF) は、金融計画や健康モニタリングなど、多くの現実世界のドメインにおいて重要である。 既存のLarge Language Models (LLM) は通常、時系列データ固有の特性を無視するため、非最適に実行する。 時系列データから基本的なtextitPatterns と有意義な textitSemantics を学習し,TLF のための LLM-PS を提案する。
  論文  参考訳（メタデータ） (2025-03-12T11:45:11Z)
• TimeXL: Explainable Multi-modal Time Series Prediction with LLM-in-the-Loop [79.5773512667468]
  TimeXLは、プロトタイプベースの時系列エンコーダと3つの協調する大規模言語モデルを統合するマルチモーダル予測フレームワークである。 リフレクションLLMは、予測された値と地上の真実を比較し、テキストの不整合やノイズを識別する。 このクローズドループワークフロー予測、批判(参照)、改善が連続的にフレームワークのパフォーマンスと解釈可能性を高めます。
  論文  参考訳（メタデータ） (2025-03-02T20:40:53Z)
• LLM-Mixer: Multiscale Mixing in LLMs for Time Series Forecasting [0.08795040582681389]
  LLM-Mixerは、マルチスケールの時系列分解と事前学習したLCMを組み合わせることで予測精度を向上させるフレームワークである。 データを複数の時間分解能に分解することで、短期的変動と長期的傾向の両方をキャプチャする。
  論文  参考訳（メタデータ） (2024-10-15T15:08:57Z)
• CALF: Aligning LLMs for Time Series Forecasting via Cross-modal Fine-Tuning [59.88924847995279]
  MTSFのためのクロスモーダルLCMファインチューニング(CALF)フレームワークを提案する。 分散の相違を低減するため,クロスモーダルマッチングモジュールを開発した。 CALFは、長期および短期の予測タスクの最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2024-03-12T04:04:38Z)
• AutoTimes: Autoregressive Time Series Forecasters via Large Language Models [67.83502953961505]
  AutoTimesは時系列を言語トークンの埋め込み空間に投影し、任意の長さで将来予測を生成する。 時系列をプロンプトとして定式化し、ルックバックウィンドウを越えて予測のコンテキストを拡張する。 AutoTimesは、トレーニング可能なパラメータが0.1%、トレーニング/推論のスピードアップが5ドル以上で最先端を実現している。
  論文  参考訳（メタデータ） (2024-02-04T06:59:21Z)
• Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
  時系列予測は多くの実世界の力学系において重要な意味を持つ。 時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
  論文  参考訳（メタデータ） (2023-10-03T01:31:25Z)

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。