論文の概要: TimeBlocks: Foundational and Continual Time-Series Blockbase -- Extended Version

• arxiv url: http://arxiv.org/abs/2606.02142v1
• Date: Mon, 01 Jun 2026 12:09:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.98089
• Title: TimeBlocks: Foundational and Continual Time-Series Blockbase -- Extended Version
• Title（参考訳）: TimeBlocks: 基本および連続した時系列ブロックベース -- 拡張バージョン
• Authors: David Campos, Bin Yang, Tung Kieu, Lei Chen, Chenjuan Guo, Christian S. Jensen,
• Abstract要約: TimeBlocksは、可変条件下で複数のタスクに適した軽量モデルの効率的な構築を可能にする。 我々は、TimeBlocksにStreamCoreと呼ばれるメソッドを装備し、データストリームの代表的な小さなサブセットを構築し、時間とともにストリームの保証された近似を保存する。 複数のデータセットと複数のタスクをカバーする実験的な研究は、TimeBlocksが既存のベースラインより優れたモデルを構築することができることを示している。
• 参考スコア（独自算出の注目度）: 26.071131547160192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ongoing digitization has led to a proliferation of time-series data streams that monitor a variety of processes, from which valuable insights may be obtained. Further, the emergence of successful foundational language models begs the question of whether it is possible to achieve time-series models with the foundational properties of handling multiple tasks, while being sufficiently lightweight to allow real-time data stream processing. Existing foundational time-series models are often large and only effective in offline settings without stringent time and computational constraints, and where repeated model calibration is not needed. However, when applied to data streams, these models are ineffective due to their size and lack of support for continual calibration, which compromise their ability to deliver accurate real-time responses, their durability, and their deployability in hardware-limited settings. We propose TimeBlocks to enable versatile time-series processing by facilitating the efficient building of lightweight models suitable for multiple tasks under variable conditions. In particular, the method maintains a pool of interchangeable and modular model blocks that can be used to construct new time-series models. When presented with specific time-series data, a routing strategy iteratively selects the most suitable blocks to construct a lightweight and accurate model for the data. We equip TimeBlocks with a method called StreamCore to build a representative small subset of the data stream, which preserves a guaranteed approximation of the stream over time, enabling continual model calibration. An experimental study on multiple data sets and covering multiple tasks shows that TimeBlocks enables to build models capable of outperforming existing baselines.
• Abstract（参考訳）: 進行中のデジタル化により、さまざまなプロセスを監視する時系列データストリームが急増し、そこから貴重な洞察が得られる可能性がある。 さらに、基礎言語モデルの出現は、リアルタイムなデータストリーム処理を可能にするのに十分軽量でありながら、複数のタスクを扱う基本特性を持つ時系列モデルの実現が可能かどうかという疑問を提起する。 既存の基本時系列モデルは、時間と計算の制約を伴わずにオフライン設定でのみ有効であり、繰り返しモデルキャリブレーションを必要としない場合が多い。 しかし、データストリームに適用した場合、これらのモデルは、そのサイズと継続キャリブレーションサポートの欠如により、正確なリアルタイム応答の提供能力、耐久性、ハードウェア制限された設定でのデプロイ可能性など、非効率である。 可変条件下での複数のタスクに適した軽量モデルの効率的な構築を容易にし,多目的な時系列処理を実現するためのTimeBlocksを提案する。 特に、このメソッドは、新しい時系列モデルを構築するのに使用できる交換可能でモジュラーなモデルブロックのプールを維持している。 特定の時系列データを提示すると、ルーティング戦略は、最も適したブロックを反復的に選択して、データの軽量で正確なモデルを構築する。 我々は、TimeBlocksにStreamCoreと呼ばれるメソッドを装備し、データストリームの代表的な小さなサブセットを構築し、時間とともにストリームの近似を保証し、連続的なモデルのキャリブレーションを可能にする。 複数のデータセットと複数のタスクをカバーする実験的な研究は、TimeBlocksが既存のベースラインより優れたモデルを構築することができることを示している。

関連論文リスト

• Interpretable Dynamic Network Modeling of Tensor Time Series via Kronecker Time-Varying Graphical Lasso [16.339394922532286]
  テンソル時系列をモデル化するためのKTVGL(Kronecker Time-Varying Graphical Lasso)を提案する。 提案手法はKronecker積のモード固有動的ネットワークを推定し,過剰に複雑な絡み合い構造を避ける。 本手法は計算時間が少なくとも既存の手法よりも高いエッジ推定精度を実現する。
  論文  参考訳（メタデータ） (2026-02-09T01:37:09Z)
• Tailored Architectures for Time Series Forecasting: Evaluating Deep Learning Models on Gaussian Process-Generated Data [0.5573267589690007]
  時系列特性と特定のモデルとの明確な関係を明らかにすることを目的としている。 多様な時間的ダイナミクスを扱うのに適したモジュラーアーキテクチャを組み込んだ新しいモデルであるTimeFlexを紹介します。 このモデルは現在の最先端モデルと比較され、様々な時系列条件下でモデルがどのように機能するかをより深く理解する。
  論文  参考訳（メタデータ） (2025-06-10T16:46:02Z)
• EXPRTS: Exploring and Probing the Robustness of Time Series Forecasting Models [1.23187154417297]
  我々は時系列を生成するための解釈可能でシンプルなフレームワークを開発する。 本手法は時系列分解と解析関数を組み合わせることで,分布内データと分布外データの両方に一致する特性を持つ時系列を生成することができる。 私たちは、モデルロバスト性を改善するために、我々のフレームワークが意味のあるOOD時系列を生成する方法を示します。
  論文  参考訳（メタデータ） (2024-03-06T07:34:47Z)
• ConvTimeNet: A Deep Hierarchical Fully Convolutional Model for Multivariate Time Series Analysis [7.979501926410114]
  ConvTimeNetは時系列解析のために設計された階層的な純粋な畳み込みモデルである。 データ駆動方式で時間依存の基本単位の局所パターンを適応的に知覚する。 大規模なカーネル機構を使用して、畳み込みブロックが深く積み重ねられるようにする。
  論文  参考訳（メタデータ） (2024-03-03T12:05:49Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• TFMQ-DM: Temporal Feature Maintenance Quantization for Diffusion Models [52.454274602380124]
  拡散モデルは非常に時間ステップ$t$に大きく依存し、良好なマルチラウンドデノジングを実現している。 本稿では,時間情報ブロック上に構築した時間的特徴保守量子化(TFMQ)フレームワークを提案する。 先駆的なブロック設計により、時間情報認識再構成(TIAR)と有限集合キャリブレーション(FSC)を考案し、完全な時間的特徴を整列させる。
  論文  参考訳（メタデータ） (2023-11-27T12:59:52Z)

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。