論文の概要: Zeus: Towards Tuning-Free Foundation Model for Time Series Analysis

• arxiv url: http://arxiv.org/abs/2607.01918v1
• Date: Thu, 02 Jul 2026 09:16:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.756214
• Title: Zeus: Towards Tuning-Free Foundation Model for Time Series Analysis
• Title（参考訳）: Zeus: 時系列分析のためのチューニング不要なファンデーションモデルを目指して
• Authors: Yisong Fu, Zezhi Shao, Chengqing Yu, Yujie Li, Yongjun Xu, Xueqi Cheng, Fei Wang,
• Abstract要約: 我々は,タスク固有の微調整を伴わない多種多様な解析タスクに対して優れたパフォーマンスを実現する,チューニング不要な時系列基礎モデルであるZeusを紹介する。 Zeusは、ポイントワイドトークン化とU字型階層を特徴とするマルチスケールトランスフォーマーを内蔵し、細粒度フィリティと計算効率を効果的にバランスさせる。 ゼウスは、チューニング不要な設定において、常に競争結果を達成し、汎用TSFMとしての可能性を強調している。
• 参考スコア（独自算出の注目度）: 47.97880249388314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Zeus, a unified tuning-free Time Series Foundation Model (TSFM) that delivers superior performance across diverse analysis tasks without any task-specific fine-tuning. Unlike prior studies that primarily focus on zero-shot forecasting but require task-specific tuning for other tasks, Zeus bridges this gap by addressing two fundamental challenges in multi-task generalization. First, to reconcile point-level granularity with long-sequence scalability, Zeus incorporates a multi-scale Transformer featuring point-wise tokenization and a U-shaped hierarchy, effectively balancing fine-grained fidelity with computational efficiency. Second, to accommodate varying inductive biases across different tasks, Zeus introduces Multi-Objective Temporal Masking (MOTM), a unified strategy that supports heterogeneous tasks (e.g., extrapolation, interpolation, and global abstraction) within a single framework. Extensive experiments across five representative tasks demonstrate that Zeus consistently achieves competitive results in tuning-free settings, underscoring its potential as a general-purpose TSFM.
• Abstract（参考訳）: 我々は,タスク固有の微調整を伴わずに,多種多様な解析タスクに対して優れたパフォーマンスを実現する,一貫したチューニング不要な時系列基礎モデル(TSFM)Zeusを提案する。 ゼロショット予測に重点を置いているが、他のタスクに対するタスク固有のチューニングを必要とする以前の研究とは異なり、Zeusはこのギャップをマルチタスクの一般化における2つの基本的な課題に対処することで埋める。 まず、点レベルの粒度を長周期のスケーラビリティと整合させるため、Zeusはポイントワイドトークン化とU字型階層を特徴とするマルチスケールトランスフォーマーを導入し、微粒度と計算効率を効果的にバランスさせる。 第二に、異なるタスク間の様々な帰納バイアスに対応するために、Zeus氏は、単一のフレームワーク内で異種タスク(例えば、外挿、補間、大域的抽象化)をサポートする統一戦略であるMOTM(Multi-Objective Temporal Masking)を導入した。 5つの代表的なタスクにわたる広範囲な実験により、ゼウスはチューニング不要な設定において常に競争的な結果を達成し、汎用TSFMとしての可能性を示している。

関連論文リスト

• Task-Instructed Causal Routing of Vision Foundation Models for Multi-Task Learning [28.310784933552444]
  視覚基礎モデル(VFM)は、幅広い視覚的タスクにおいて強い堅牢性と伝達性を示す。 TIGER(Task-Guided Expert Routing)は、マルチタスクの高密度予測のために複数の異種VFMを協調するフレームワークである。 我々は、TIGERをNYUD-v2とPascal Contextの2つのマルチタスク密度予測ベンチマークで評価し、最近のマルチタスク学習ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-14T11:55:13Z)
• Expert Pyramid Tuning: Efficient Parameter Fine-Tuning for Expertise-Driven Task Allocation [7.579163774245479]
  Expert Pyramid Tuning (EPT) は、コンピュータビジョンからPEFTの領域に多スケールのピラミッドの概念を統合する新しいアーキテクチャである。 EPT は SOTA MoE-LoRA の亜種を著しく上回っている。
  論文  参考訳（メタデータ） (2026-03-13T02:23:41Z)
• One-Embedding-Fits-All: Efficient Zero-Shot Time Series Forecasting by a Model Zoo [82.65837388129746]
  Time Series Foundation Models (TSFM) はゼロショット予測を大幅に進歩させた。 異なるモデルが異なる時間パターンの好みを示すため、単一のTSFMが普遍的に優れているものはない。 本稿では,各モデルの予測強度を特徴付けるZooCastを提案する。
  論文  参考訳（メタデータ） (2025-09-04T13:34:54Z)
• Not All Parameters Are Created Equal: Smart Isolation Boosts Fine-Tuning Performance [13.636389424786854]
  各タスクのコアパラメータは、統一されたバックボーンに移植される。 異なるタスクの非コアパラメータは、Spherical Linear Interpolationを通じてスムーズに統合される。 複数の公開ベンチマークの実験は、我々のアプローチがタスクの干渉や忘れを著しく軽減していることを示している。
  論文  参考訳（メタデータ） (2025-08-29T16:07:33Z)
• PanMatch: Unleashing the Potential of Large Vision Models for Unified Matching Models [80.65273820998875]
  頑健な対応マッチングのための汎用基盤モデルであるPanMatchを提案する。 我々の重要な洞察は、任意の2フレーム対応タスクが2次元変位推定フレームワーク内で処理可能であることである。 PanMatchは、偏差推定アルゴリズムを前例のない一般化能力で実現し、マルチタスク統合を実現する。
  論文  参考訳（メタデータ） (2025-07-11T08:18:52Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• Flexible and Adaptable Summarization via Expertise Separation [59.26639426529827]
  熟練した要約モデルは、柔軟性と適応性の両方を示すべきである。 我々は,Mixture-of-Expert SummarizationアーキテクチャであるMoeSummを提案する。 我々のモデルでは、一般とドメイン固有の要約能力の分離は、顕著な柔軟性と適応性を与えている。
  論文  参考訳（メタデータ） (2024-06-08T05:31:19Z)

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。