論文の概要: GITCO: Gated Inference-Time Context Optimization in TSFMs

• arxiv url: http://arxiv.org/abs/2606.05332v1
• Date: Wed, 03 Jun 2026 18:17:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.337576
• Title: GITCO: Gated Inference-Time Context Optimization in TSFMs
• Title（参考訳）: GITCO:TSFMにおけるGated Inference-Timeコンテキスト最適化
• Authors: Manya Pandey, Dhruv Kumar, Murari Mandal, Saurabh Deshpande,
• Abstract要約: モデル重みを変更するのではなく、入力コンテキストを最適化することで、推論時のTSFM精度を改善することを提案する。 GITCO(Gated Inference-Time Context Optimization)は,パラメータを更新せずに有害なパッチを選択的に識別・抑制する軽量な3成分フレームワークである。
• 参考スコア（独自算出の注目度）: 7.400285974510125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patch-based Time Series Foundation Models (TSFMs) suffer from context poisoning: structurally anomalous patches capture disproportionate attention and silently degrade zero-shot forecast quality. We propose improving TSFM accuracy at inference time by optimizing the input context rather than modifying model weights. We present GITCO (Gated Inference-Time Context Optimization), a lightweight three-component framework: Gate, Router, and Critic that selectively identifies and suppresses harmful patches without any parameter updates. Evaluated on TimesFM 2.5 across 53 GIFT-Eval datasets under K-fold cross-validation, GITCO achieves an average +1.95% MASE reduction on TimesFM 2.5 while capturing 89.9% of the improvement upper bound. We introduce context sensitivity profiles as a new characterizable property of TSFMs: the mapping from time series meta-features to expected accuracy improvement under inference-time context intervention, shaped jointly by model architecture and the statistical structure of the data.
• Abstract（参考訳）: 構造的に異常なパッチは不適切な注意を捉え、ゼロショット予測の品質を静かに低下させる。 モデル重みを変更するのではなく、入力コンテキストを最適化することで、推論時のTSFM精度を改善することを提案する。 本稿では,GITCO(Gated Inference-Time Context Optimization)という軽量な3成分フレームワークを提案する。 53 GIFT-EvalデータセットでK-foldクロスバリデーションで評価されたTimesFM 2.5では、改善された上限の89.9%を獲得しながら、TimesFM 2.5で平均1.95%のMASE削減を達成した。 本稿では,TSFMの新たな特徴として,時系列のメタ機能から予測精度の向上へのマッピングを,モデルアーキテクチャとデータ統計構造とを併用して実現した。

関連論文リスト

• Temporal Patch Shuffle (TPS): Leveraging Patch-Level Shuffling to Boost Generalization and Robustness in Time Series Forecasting [13.90015544663242]
  本稿では,予測のための簡易かつモデルに依存しないデータ拡張手法であるTPSを提案する。 TPSは、重複する時間的パッチを抽出し、分散ベースの順序付けを保守的としてパッチのサブセットをシャッフルし、重複する領域を平均化することによってシーケンスを再構築する。 この設計は、予測一貫性のある局所時間構造を保持しながら、サンプルの多様性を高める。
  論文  参考訳（メタデータ） (2026-04-10T07:45:02Z)
• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• 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)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Multi-Scale Finetuning for Encoder-based Time Series Foundation Models [67.95907033226585]
  時系列基礎モデル (TSFM) は, 時系列予測において印象的なゼロショット性能を示す。 直感的な微調整はパフォーマンスの向上をもたらすが、TSFMの能力を完全に活用するには不十分である、と我々は主張する。 マルチスケール・ファインタニング(MSFT)は,マルチスケール・モデリングをファインタニング・プロセスに明示的に統合する,シンプルながら汎用的なフレームワークである。
  論文  参考訳（メタデータ） (2025-06-17T01:06:01Z)
• Less is More: Unlocking Specialization of Time Series Foundation Models via Structured Pruning [27.23328609888911]
  時系列基礎モデル 広大なパラメータを事前訓練し、驚くべきゼロショット予測性能を達成する。 驚くべきことに、微調整後も、TSFMは、フルショットダウンストリームデータでトレーニングされた、より小さな、特殊なモデルよりも一貫してパフォーマンスを向上することはできない。 より関連性が高くコンパクトなパラメータ空間に焦点を合わせることにより、その後の微調整プロセスを正規化するための構造化プルーニング法を提案する。
  論文  参考訳（メタデータ） (2025-05-29T07:33:49Z)
• Less is more: Embracing sparsity and interpolation with Esiformer for time series forecasting [19.8447763392479]
  実世界のアプリケーションから生成された時系列データは、常に高いばらつきと多くのノイズを示す。 本稿では,元のデータに適用し,データ全体のばらつきを低減し,ノイズの影響を軽減するEsiformerを提案する。 MSEを6.5%,MAEを5.8%削減した。
  論文  参考訳（メタデータ） (2024-10-08T06:45:47Z)

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。