論文の概要: TimeRouter: Efficient and Adaptive Routing of Time-Series Foundation Models

• arxiv url: http://arxiv.org/abs/2606.11625v1
• Date: Wed, 10 Jun 2026 03:39:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.273013
• Title: TimeRouter: Efficient and Adaptive Routing of Time-Series Foundation Models
• Title（参考訳）: TimeRouter: 時系列基礎モデルの効率的かつ適応的なルーティング
• Authors: Kanghui Ning, Yushan Jiang, Kashif Rasul, Anderson Schneider, Yuriy Nevmyvaka, Dongjin Song,
• Abstract要約: 時系列基礎モデル (TSFM) はエージェント時系列システム内の予測専門家として研究されている。 予測体制全体で一貫して支配的なモデルが存在しないため、専門家の選択が重要な課題となっている。 我々は、事前訓練されたTSFMのプールにまたがる経験的相補性を活用する効率的なルーティングフレームワークであるTimeを提案する。
• 参考スコア（独自算出の注目度）: 23.365666262449448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series foundation models (TSFMs) are increasingly explored as predictive experts within emerging agentic time-series systems. However, TSFMs exhibit heterogeneous inductive biases, and no single model consistently dominates across forecasting regimes, making expert selection a critical challenge. Existing systems often delegate this decision to LLM-based controllers, incurring substantial inference overhead. We present TimeRouter, an efficient routing framework that leverages empirical complementarity across a pool of pretrained TSFMs through lightweight discriminative routing, selective gating, and ensemble fallback. Concretely, TimeRouter combines a learned routing head, a selective gate, and an ensemble fallback, enabling adaptive expert selection without invoking an LLM at inference time. TimeRouter achieves state-of-the-art performance on the GIFT-EVAL leaderboard, with an LB MASE of 0.6765. Beyond benchmark performance, our ablation studies provide empirical insights into TSFM routing design, highlighting the importance of pool composition and selective gating. Taken together, these results position TimeRouter as a modular and lightweight routing layer for future agentic time-series systems built upon foundation-model pools. Our code is available at https://github.com/UConn-DSIS/TimeRouter.
• Abstract（参考訳）: 時系列基礎モデル (TSFM) は, エージェント型時系列システムにおいて, 予測の専門家として研究されている。 しかし、TSFMは不均一な帰納バイアスを示しており、予測系で一貫して1つのモデルが支配的であり、専門家の選択が重要な課題となっている。 既存のシステムは、しばしばこの決定をLSMベースのコントローラに委譲し、かなりの推論オーバーヘッドを発生させる。 提案するTimeRouterは,事前訓練されたTSFMのプールにまたがって,軽量な識別的ルーティング,選択的ゲーティング,アンサンブルフォールバックを通じて,経験的相補性を活用する効率的なルーティングフレームワークである。 具体的には、TimeRouterは学習したルーティングヘッド、選択ゲート、アンサンブルフォールバックを組み合わせることで、推論時にLSMを呼び出すことなく、適応的な専門家選択を可能にする。 TimeRouterはGIFT-EVALのリーダーボード上での最先端のパフォーマンスを実現し、LB MASEは0.6765である。 ベンチマーク性能以外にも、我々のアブレーション研究は、TSFMルーティング設計に関する実証的な洞察を提供し、プール構成と選択ゲーティングの重要性を強調している。 まとめると、これらの結果はTimeRouterを、基礎モデルプール上に構築された将来のエージェント時系列システムのためのモジュール的で軽量なルーティング層として位置づける。 私たちのコードはhttps://github.com/UConn-DSIS/TimeRouter.comから入手可能です。

関連論文リスト

• From Sampled Outcomes to Capability Distributions: Rethinking Supervision for LLM Routing [79.19755531338872]
  既存のルーティングメソッドは、クエリに対するモデルの単一応答を、トレーニングの能力ラベルとして扱う。 この仮定はルーティング管理にシステマティックノイズを導入し、学習されたルーティングポリシーの信頼性を低下させることを示す。 本稿では, DARS(Distribution-Aware Routing Supervision)を提案する。
  論文  参考訳（メタデータ） (2026-06-05T05:42:00Z)
• AME-TS: Anchored Mixture-of-Experts for Time Series Forecasting [4.62087302563841]
  本稿では、専門家のルーティングを解釈可能な時間構造に整合させる構造誘導スパース時系列基礎モデルを提案する。 AME-TSはモデルスケール間で高い精度と効率のトレードオフを提供する。 より解釈可能なルーティング幾何学と、標準的なMoEよりもかなり安定した専門家特殊化を学習する。
  論文  参考訳（メタデータ） (2026-05-24T16:52:48Z)
• LatentRouter: Can We Choose the Right Multimodal Model Before Seeing Its Answer? [69.71754384259167]
  マルチモーダル大言語モデル(MLLM)は、OCR、チャート理解、空間的推論、視覚的質問応答、コスト、レイテンシにまたがるヘテロジニアスな強度を持つ。 本稿では,MLLMルーティングを実効的マルチモーダルユーティリティ予測として定式化するルータであるLatentを提案する。 MMR-BenchとVL-Benchの実験では、Latentは固定モデル、特徴レベル、学習ルータベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2026-05-11T22:42:12Z)
• Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
  マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。 AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。 5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-03-13T12:26:05Z)
• DiSRouter: Distributed Self-Routing for LLM Selections [23.38983740640377]
  集中制御から分散ルーティングへ移行する新しいパラダイムであるDiS(Distributed Self-)を紹介する。 DiS では、クエリは LLM エージェントのネットワークを横切り、それぞれが自身の自己認識に基づいて他のエージェントに答えるかどうかを独立に決定する。 大規模な実験により、DiSは様々なシナリオで既存のルーティング方法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-22T03:36:40Z)
• Rewiring Experts on the Fly:Continuous Rerouting for Better Online Adaptation in Mixture-of-Expert models [52.502867924372275]
  Mixture-of-Experts (MoE)モデルは、スパース専門家のアクティベーションを通じて効率的なスケーリングを実現するが、デプロイメントの分散シフトによる最適以下のルーティング決定に悩まされることが多い。 我々は、外部の監視やデータなしで、テキスト生成中にMoEルーティング決定を継続的に適用するテキストタデータフリーオンラインテストタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-16T16:24:36Z)
• Unlocking the Power of Mixture-of-Experts for Task-Aware Time Series Analytics [18.97715342585514]
  時系列分析は、天気予報、金融詐欺検出、IoTシステムの欠落データに対する計算、行動認識のための分類など、さまざまな現実世界のアプリケーションで広く利用されている。 MoEは強力なアーキテクチャでありながら、タスクに依存しないルータとチャネル相関をモデル化する能力の欠如により、時系列分析における汎用タスクへの適応に依然として不足している。 PatchMoEと呼ばれる新しいMoEベースの時系列フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-26T12:44:46Z)
• Universal Model Routing for Efficient LLM Inference [69.86195589350264]
  モデルルーティングは,大規模言語モデル(LLM)の推論コストを削減する手法である 動的ルーティング問題に対する新しいアプローチであるUniRouteを提案する。 これらは理論的に最適なルーティングルールの推定であり、過大なリスクバウンドによってそれらのエラーを定量化する。
  論文  参考訳（メタデータ） (2025-02-12T20:30:28Z)
• Glider: Global and Local Instruction-Driven Expert Router [83.785832410832]
  モデルMoErging」手法は、保持タスクのパフォーマンスを犠牲にして、未確認タスクへの一般化を優先する。 マルチスケールルーティング機構を統合したGLIDER(Global and Local Instruction Driven Expert Router)を提案する。 GLIDERは、ホールドアウトタスクの強い一般化を維持しながら、ホールドイン性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-10-09T17:59:14Z)

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。