論文の概要: Unified Zero-Shot Time Series Forecasting: A Darts Foundation

• arxiv url: http://arxiv.org/abs/2606.27438v1
• Date: Thu, 25 Jun 2026 18:00:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.2822
• Title: Unified Zero-Shot Time Series Forecasting: A Darts Foundation
• Title（参考訳）: Unified Zero-Shot Time Series Forecasting: Darts Foundation
• Abstract要約: ファウンデーションモデルは、ゼロショット予測の精度を最近改善したと主張している。 ファンデーションモデルは、しばしば断片化されたインターフェイスを持つ独立したパッケージとしてリリースされる。 Dartsは、最小限の外部依存関係を持つ標準化されたフルサイクルの予測インターフェイスを提供する。
• 参考スコア（独自算出の注目度）: 1.0403555560635036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since its initial release in 2020, Darts has become a widely used open-source Python library for time series analysis. A series of foundation models have recently claimed accuracy improvements in zero-shot forecasting, promising a paradigm shift from training custom models to harnessing pre-trained general-purpose forecasters. Foundation models, however, are often released as isolated packages with fragmented interfaces and limited interoperability with common tooling, making joint evaluation and integration within complete pipelines difficult. In Darts, we developed a unified $\texttt{FoundationModel}$ class collection (Chronos-2, TimesFM 2.5, TiRex, PatchTST-FM) that provides standardized, full-cycle forecasting interfaces with minimal external dependencies for integrating foundation models into the ecosystem. Existing Darts pipelines can now use foundation models with only a name change; new pipelines can use them for zero-shot or fine-tuned forecasting, uncertainty estimation, and backtesting, combined with data processing and evaluation tooling, all within a unified framework.
• Abstract（参考訳）: 2020年の初リリース以来、Dartは時系列分析のためのオープンソースPythonライブラリとして広く使われている。 一連の基礎モデルは、最近ゼロショット予測の精度を向上し、トレーニングカスタムモデルから事前訓練された汎用予測モデルへのパラダイムシフトを約束している。 しかし、ファンデーションモデルは、しばしば、断片化されたインターフェイスと共通ツールとのインターオペラビリティが制限された独立したパッケージとしてリリースされ、完全なパイプライン内での共同評価と統合が困難になる。 Dartでは、統合された$\texttt{FoundationModel}$クラスコレクション(Chronos-2、TimeFM 2.5、TiRex、PatchTST-FM)を開発しました。 既存のDartパイプラインは、名前の変更だけでファンデーションモデルを使用することができる。新しいパイプラインは、ゼロショットまたは微調整の予測、不確実性推定、バックテストに、すべて統一されたフレームワーク内でのデータ処理と評価ツールを組み合わせることができる。

関連論文リスト

• TiRex-2: Generalizing TiRex to Multivariate Data and Streaming [18.283731851361182]
  TiRex-2はxLSTMベースの時系列基礎モデルである。 TiRex を過去と将来の共変量と共に多変量予測に一般化する。 TiRex-2はGIFT-Evalとfev-benchで最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2026-07-01T17:45:04Z)
• Time Series as Language: A Universal Tokenizer for General-Purpose Time Series Foundation Models [58.73838451441261]
  連続時間列(TS)を離散トークンに変換するユニバーサルトークンライザUniTokと、これらのトークン上でNTPを介して事前訓練された基礎モデルUniTok-FMを紹介する。 UniTok-FMは、ゼロショットとプロンプトブースト予測をサポートし、トレーニング不要なインコンテキスト推論による少数ショットの生成と分類をサポートする汎用基盤モデルである。
  論文  参考訳（メタデータ） (2026-05-31T16:04:11Z)
• TempusBench: An Evaluation Framework for Time-Series Forecasting [36.738682337273104]
  時系列基礎モデル(TSFM)のためのオープンソースの評価フレームワークであるTempusBenchを紹介する。 このようなフレームワークの開発の進展を妨げる、少なくとも4つの大きな問題が見られます。 GitHub上のコードへのアクセスは、https://github.com/Smlcrm/TempusBench.comです。
  論文  参考訳（メタデータ） (2026-04-13T14:29:34Z)
• Timer-S1: A Billion-Scale Time Series Foundation Model with Serial Scaling [51.78972657142583]
  我々は、Timer-S1、強力なMixture-of-Experts(MoE)時系列基礎モデル、合計8.3Bのパラメータ、各トークンの0.75Bのアクティブパラメータ、コンテキスト長11.5Kについて紹介する。 既存のトレーニング済み時系列基盤モデルのスケーラビリティボトルネックを克服するため,シリアルスケーリングを3次元で実施する。
  論文  参考訳（メタデータ） (2026-03-05T04:13:57Z)
• 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)
• TimeCopilot [0.0]
  予測のための初のオープンソースエージェントフレームワークであるTimeCopilotを紹介する。 複数の時系列ファンデーションモデル(TSFM)とLLM(Large Language Model)を単一の統一APIを通じて組み合わせる。 TimeCopilotは、機能分析、モデル選択、クロスバリデーション、予測生成といった予測パイプラインを自動化する。
  論文  参考訳（メタデータ） (2025-08-30T21:48:51Z)
• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines [5.543238821368548]
  時系列はしばしば、異なる時間帯と領域にまたがる時間パターンに顕著な多様性を示す。 Time Trackerは、精度、モデルの一般化、適応性を予測する際に最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-21T06:18:41Z)
• TSFM-Bench: A Comprehensive and Unified Benchmark of Foundation Models for Time Series Forecasting [35.505530132151]
  時系列予測(TSF)は、金融投資、気象サービス、エネルギー管理など、多くの分野で重要な機能である。 多くのTSFメソッドはドメイン固有のデータ収集とモデルトレーニングを必要とし、他のドメインに適用してもうまく一般化しない。 大規模な異種時系列データに基づいて事前訓練された時系列基礎モデル(TSFM)は、これらの制限を克服することを目的としている。
  論文  参考訳（メタデータ） (2024-10-15T17:23:49Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)

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。