論文の概要: TiRex-2: Generalizing TiRex to Multivariate Data and Streaming

• arxiv url: http://arxiv.org/abs/2607.01204v1
• Date: Wed, 01 Jul 2026 17:45:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:08.011234
• Title: TiRex-2: Generalizing TiRex to Multivariate Data and Streaming
• Title（参考訳）: TiRex-2: TiRexを多変量データとストリーミングに一般化
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.283731851361182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce TiRex-2, a recurrent xLSTM-based time series foundation model that generalizes the univariate TiRex to multivariate forecasting with both past and future covariates. Real-world forecasting is inherently sequential: observations arrive continuously, variables evolve jointly, and a subset of covariates is known ahead of time. Existing Transformer-based time series foundation models capture cross-variate dependencies but incur quadratic complexity in context length and require full-history recomputation as new observations arrive. TiRex-2 addresses these limitations through a memory-centric recurrent design that operates at constant per-patch cost under streaming. The model combines a bidirectional time mixer with an asymmetric grouped-attention variate mixer, enabling the integration of future-known covariates while preserving strict causality over target variables. To our knowledge, this is the first time series foundation model that achieves this combination of properties. To support scalable multivariate pretraining, we propose a synthetic coupling pipeline that composes diverse multivariate samples on the fly from large univariate corpora. Empirically, TiRex-2 achieves state-of-the-art zero-shot performance on GIFT-Eval and fev-bench, remains stable when streamed to arbitrary context lengths, and maintains constant inference cost per patch. The model uses 38.4M active parameters in univariate mode, with an additional 44.1M parameters activated for multivariate forecasting.
• Abstract（参考訳）: 我々は,連続xLSTMに基づく時系列基礎モデルであるTiRex-2を導入し,一変量TiRexを過去の共変量と将来の共変量との多変量予測に一般化する。 実世界の予測は本質的にシーケンシャルであり、観測は連続的に行われ、変数は共同で進化する。 既存のTransformerベースの時系列基礎モデルは、異種依存関係をキャプチャするが、コンテキスト長の2次複雑さが原因であり、新しい観測が到着すると、完全な履歴再計算が必要となる。 TiRex-2はメモリ中心のリカレント設計によってこれらの制限に対処する。 このモデルは、双方向の時間ミキサーと非対称なグループ付きアテンション変量ミキサーを組み合わせることで、将来の既知の共変量の統合を可能にし、ターゲット変数に対する厳密な因果関係を保存する。 我々の知る限り、これはこの特性の組み合わせを達成する最初の時系列基礎モデルである。 大規模単変量コーパスから多変量サンプルを高速に合成する,スケーラブルな多変量事前学習を支援するための合成結合パイプラインを提案する。 TiRex-2 は、GIFT-Eval と fev-bench で最先端のゼロショット性能を実現し、任意のコンテキスト長にストリームしても安定であり、パッチ毎に一定の推論コストを維持する。 このモデルは、一変量モードで38.4Mのアクティブパラメータを使用し、さらに44.1Mのパラメータを多変量予測のために活性化する。

関連論文リスト

• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
  既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。 動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
  論文  参考訳（メタデータ） (2026-02-06T10:48:13Z)
• Hydra: Dual Exponentiated Memory for Multivariate Time Series Analysis [9.59658906532313]
  副設計のMeta-in-contextメモリモジュールであるHydraを紹介する。 時系列パターンの優先順位付けによって、テスト時にパターンを記憶する方法を学ぶ。 また, 2D-chunkwise のトレーニングアルゴリズムを新たに提案し, 実際の再現率を$times 10$の効率改善で近似する。
  論文  参考訳（メタデータ） (2025-11-02T16:03:59Z)
• Gateformer: Advancing Multivariate Time Series Forecasting through Temporal and Variate-Wise Attention with Gated Representations [2.4302562182247636]
  私たちはTransformerアーキテクチャを再使用して、クロスタイムとクロス変数の依存関係の両方をモデル化します。 提案手法は13の実世界のデータセットにまたがって最先端のパフォーマンスを実現し,オリジナルモデルよりも最大20.7%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-05-01T04:59:05Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Sensorformer: Cross-patch attention with global-patch compression is effective for high-dimensional multivariate time series forecasting [12.103678233732584]
  本稿では,まずグローバルパッチ情報を圧縮し,同時に圧縮された表現からクロス変数およびクロスタイム依存関係を抽出する新しい変換器であるSensorformerを提案する。 センサフォーマは、変数間の動的因果ラグが存在する場合でも、適切な変数間の相関関係と因果関係を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2025-01-06T03:14:47Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
  時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。 GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。 このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-05-22T16:41:21Z)
• EdgeConvFormer: Dynamic Graph CNN and Transformer based Anomaly Detection in Multivariate Time Series [7.514010315664322]
  本研究では,階層化されたTime2vec埋め込み,動的グラフCNN,Transformerを統合し,グローバルかつ局所的な空間時間情報を抽出する新たな異常検出手法EdgeConvFormerを提案する。 実験により、EdgeConvFormerは、多変量時系列データから時空間モデリングを学習し、異なるスケールの多くの実世界のデータセットに対する最先端のアプローチよりも優れた異常検出性能を得ることができることが示された。
  論文  参考訳（メタデータ） (2023-12-04T08:38:54Z)

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。