論文の概要: RocketPFN: Accurate Time Series Classification via In-Context Learning

• arxiv url: http://arxiv.org/abs/2606.21786v1
• Date: Fri, 19 Jun 2026 22:27:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 03:18:15.033043
• Title: RocketPFN: Accurate Time Series Classification via In-Context Learning
• Title（参考訳）: RocketPFN: 文脈学習による時系列の正確な分類
• Authors: Franco Martino O'Rourke, Ana Trisovic, Dimitris Bertsimas,
• Abstract要約: 本稿では,ランダムな畳み込み特徴抽出とテキスト内分類を組み合わせた時系列分類のためのトレーニングフリーパイプラインであるRocketPFNを紹介する。 92のUCRデータセットでは、RocketPFNは、平均精度(0.900、Wilcoxon p=0.50)でアーカイブ上で最強の公表されたHC2と一致し、目標データに対するトレーニングは行わず、1フォールドあたり30秒の中央値推論時間である。
• 参考スコア（独自算出の注目度）: 4.700908434131285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce RocketPFN, a training-free pipeline for time series classification that combines random convolutional feature extraction (Rocket) with in-context classification via a pretrained tabular foundation model (TabPFN v2.5). On 92 UCR datasets (30-resample protocol), RocketPFN matches HC2, the strongest published method on the archive, in mean accuracy (both 0.900, Wilcoxon p=0.50), with no training on the target data and a median inference time of 30 seconds per fold. It also significantly outperforms every individual classifier in the HC2 ensemble. On UEA (20 datasets) the difference is likewise not statistically significant. A separate comparison concerns TSC foundation models: when paired with the same downstream classifier, MOMENT, Mantis, and MantisV2 are all significantly outperformed by RocketPFN using fewer extracted features and no learned parameters (p<0.001 in each case). This holds even when the encoders were pretrained on corpora that include the UCR training samples. We propose this two-stage pipeline as a reference point for evaluating zero-shot TSC foundation models.
• Abstract（参考訳）: 我々は、ランダムな畳み込み特徴抽出(Rocket)と事前訓練された表層基盤モデル(TabPFN v2.5)によるコンテキスト内分類を組み合わせた時系列分類のためのトレーニング不要パイプラインであるRocketPFNを紹介する。 92のUCRデータセット(30-resampleプロトコル)では、RocketPFNは、平均精度(0.900、Wilcoxon p=0.50)でアーカイブ上で最も強力な方法であるHC2と一致する。 また、HC2アンサンブルにおいて、個々の分類器を著しく上回る。 UEA(20データセット)では、その差も統計的に重要ではない。 同じ下流分類器と組み合わせた場合、MOMENT、Mantis、MantisV2は、RocketPFNによってより少ない抽出特徴と学習パラメータ(各ケースではp<0.001)を使用して大幅に性能が向上する。 これは、UCRトレーニングサンプルを含むコーパスでエンコーダが事前訓練された場合でも保留される。 ゼロショットTSC基礎モデルを評価するための基準点として,この2段階パイプラインを提案する。

関連論文リスト

• Bit-Identical Medical Deep Learning via Structured Orthogonal Initialization [0.0]
  深層学習トレーニングは非決定論的であり、異なるランダムなシードを持つ同一のコードは、集約メトリクスに異を唱えるが個々の予測に異を唱えるモデルを生成する。 ランダム性の3つの源を除去する検証ビット識別訓練の枠組みを提案する。
  論文  参考訳（メタデータ） (2026-03-30T05:04:57Z)
• Rethinking Zero-Shot Time Series Classification: From Task-specific Classifiers to In-Context Inference [34.15455500037426]
  我々は、ラベル付きトレーニングセットをコンテキストとして扱い、単一のフォワードパスで全てのテストインスタンスのラベルを予測する、コンテキスト内学習フレームワークTIC-FMを提案する。 TIC-FMは、時系列エンコーダとスプリットメイク潜在メモリ変換器を備えた軽量プロジェクションアダプタをペアリングする。 128のUCRデータセットに対する実験は、極低ラベルの状況で一貫した利得で、強い精度を示す。
  論文  参考訳（メタデータ） (2026-01-31T09:17:45Z)
• Faithful and Fast Influence Function via Advanced Sampling [10.773767694482858]
  特徴量とロジットに基づく2つの高度なサンプリング手法を提案する。 これらのサンプルは、機能やログの分布を考慮して、データセット全体の小さいが代表的なサブセットを選択する。 モデルがいかに効率的にクラスを忘れるかを測定するためにF1スコアを用いて、クラス除去実験を通じてアプローチを検証する。
  論文  参考訳（メタデータ） (2025-10-30T17:55:19Z)
• Revisiting Few-Shot Object Detection with Vision-Language Models [49.79495118650838]
  我々は、最近の基礎視覚言語モデル(VLM)の文脈で、少数ショットオブジェクト検出(FSOD)のタスクを再考する。 我々は,任意の外部データ上で事前学習された検出器を評価する新しいベンチマークプロトコルであるFoundational FSODを提案する。 CVPR 2024 Foundational FSOD コンペティションについて論じ,コミュニティからの洞察を共有した。
  論文  参考訳（メタデータ） (2023-12-22T07:42:00Z)
• Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be Consistent [97.64313409741614]
  本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。 CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
  論文  参考訳（メタデータ） (2023-02-17T18:45:04Z)
• Better May Not Be Fairer: A Study on Subgroup Discrepancy in Image Classification [73.87160347728314]
  CIFAR10とCIFAR100のテストセットを各画像の背景色に基づいてサブグループにアノテートすることで、自然背景色が刺激的な特徴としてどのように機能するかを検討する。 全体としての人間レベルの精度は、一貫したサブグループ性能を保証せず、この現象はImageNetで事前訓練されたモデルやデータ拡張後のモデルでも継続している。 実験の結果,FlowAugはCIFAR10/100およびCIFAR10/100-C上で,他のDA法よりも一貫したサブグループ結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-12-16T18:51:10Z)
• TabPFN: A Transformer That Solves Small Tabular Classification Problems in a Second [48.87527918630822]
  トレーニングされたトランスフォーマーであるTabPFNは、小さなデータセットの教師付き分類を1秒以内で行うことができる。 TabPFNはコンテキスト内学習(ICL)を行い、ラベル付きサンプルのシーケンスを使用して予測を行う。 提案手法は, 強化木よりも明らかに優れており, 230$times$ Speedupの複雑なAutoMLシステムと同等性能を示す。
  論文  参考訳（メタデータ） (2022-07-05T07:17:43Z)
• Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
  遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。 我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-23T09:35:03Z)
• FROCC: Fast Random projection-based One-Class Classification [4.312746668772342]
  高速ランダムプロジェクションに基づく一クラス分類(FROCC)は一クラス分類の効率的な方法である。 FROCCは最大3.1%向上し、トレーニング時間とテスト時間では1.2-67.8倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2020-11-29T08:56:59Z)

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。