論文の概要: Are Time-Series Foundation Models Ready for E-Nose Data? An Empirical Assessment of Their Embeddings

• arxiv url: http://arxiv.org/abs/2606.27672v1
• Date: Fri, 26 Jun 2026 03:07:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.356645
• Title: Are Time-Series Foundation Models Ready for E-Nose Data? An Empirical Assessment of Their Embeddings
• Title（参考訳）: 時系列基礎モデルはE-Noseデータに適したのか? : 埋め込みの実証評価
• Abstract要約: 時系列基礎モデル(TSFM)は,多様な時系列タスクにまたがる強力な一般化を約束して導入されている。 本稿では,電子鼻(E-Nose)データを用いた最近のTSFMを体系的に評価する。
• 参考スコア（独自算出の注目度）: 3.5880535198436156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inspired by advances in natural language processing and computer vision, "time-series foundation models" (TSFMs) have recently been introduced with the promise of strong generalization across diverse time-series tasks, including forecasting, classification, and anomaly detection, as well as across domains such as healthcare, climate science, and manufacturing. However, their utility for gas-sensing data remains largely unexplored. To address this gap, this paper systematically evaluates recent TSFMs on electronic nose (E-Nose) data. In particular, we investigate whether embeddings produced by representative TSFMs, including Chronos-2 and MOMENT, provide effective representations for gas identification and concentration prediction. Specifically, we show that fine-tuning is necessary to achieve satisfactory performance on E-Nose data, and fusing TSFM embeddings with representations learned by specialized predictive models can further improve the performance, suggesting both the potential and limitations of current TSFMs for gas-sensing applications.
• Abstract（参考訳）: 自然言語処理とコンピュータビジョンの進歩にインスパイアされた「時系列基礎モデル」(TSFM)が最近導入され、予測、分類、異常検出を含む様々な時系列タスクと、医療、気候科学、製造業などの分野にまたがる強力な一般化が約束されている。 しかし、ガス検知データの実用性はほとんど未調査のままである。 このギャップに対処するために,本稿では電子鼻(E-Nose)データを用いた最近のTSFMを体系的に評価する。 特に,Chronos-2 や MOMENT などの代表的な TSFM が生成する埋め込みが,ガスの同定や濃度予測に有効であるかどうかを検討する。 具体的には、E-Noseデータ上での良好な性能を実現するためには、微調整が必要であることを示し、特別な予測モデルで学習した表現とTSFM埋め込みを融合させることにより、ガスセンシングアプリケーションにおける現在のTSFMの可能性と限界がさらに向上することを示した。

関連論文リスト

• Assessing Covariate-Informed Grid Load Forecasting with a Time-Series Foundation Model [1.7674345486888503]
  クロノス-2 (Chronos-2) は、Amazonが開発した多チャンネル時系列基盤モデル(TSFM)である。 我々はChronos-2を、ISO New EnglandとENTSO-Eの2つの実世界のユーティリティデータセット上で評価し、広く使われているタスク固有ディープラーニングモデルと比較した。 以上の結果から,Chronos-2はタスク固有の微調整の利点を大いに生かし,短時間の予測性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2026-09-06T15:09:12Z)
• Explainable Load Forecasting with Covariate-Informed Time Series Foundation Models [38.33974575909916]
  Time Series Foundation Models (TSFMs) は、最近汎用予測モデルとして登場した。 そこで本研究では,これらのモデルに適したShapley Additive Explanations (SHAP) の効率的な計算アルゴリズムを提案する。 我々は、TSFMが運用エネルギー予測のための透明で信頼性の高いツールとして機能できることを実証した。
  論文  参考訳（メタデータ） (2026-04-30T17:36:24Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Assessing the Potential of Masked Autoencoder Foundation Models in Predicting Downhole Metrics from Surface Drilling Data [41.99844472131922]
  石油とガスの掘削作業は、表面センサーから広範囲の時系列データを生成する。 ラベル付きダウンホール測定が不足しているため、重要なダウンホール計測のリアルタイム予測は依然として困難である。 この研究は、Masked Autoencoder Foundation Modelsの可能性を評価するために2015年から2025年の間に13の論文をレビューした。
  論文  参考訳（メタデータ） (2026-04-16T15:47:16Z)
• 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)
• Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
  時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。 TSFMの新しい調停フレームワークであるSynapseを提案する。 その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-07T18:01:51Z)
• 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)
• TS-RAG: Retrieval-Augmented Generation based Time Series Foundation Models are Stronger Zero-Shot Forecaster [14.512119661418522]
  時系列予測のための検索拡張生成フレームワークTS-RAGを提案する。 具体的には、TS-RAGはトレーニング済みの時系列エンコーダを利用して、専用の知識ベースから意味的に関連するセグメントを検索する。 TS-RAG は最先端のゼロショット予測性能を達成し,既存の TSFM を6.84% まで上回った。
  論文  参考訳（メタデータ） (2025-03-06T16:48:48Z)
• Time Series Foundational Models: Their Role in Anomaly Detection and Prediction [0.0]
  時系列基礎モデル (TSFM) は時系列予測において注目されている。 本稿では,異常検出および予測タスクにおけるTSFMの有効性を批判的に評価する。
  論文  参考訳（メタデータ） (2024-12-26T17:15:30Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)

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。