論文の概要: RMISC: A Large-scale Real-world Multivariate Corpus for Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2607.06504v1
• Date: Tue, 07 Jul 2026 17:04:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.596227
• Title: RMISC: A Large-scale Real-world Multivariate Corpus for Time Series Foundation Models
• Title（参考訳）: RMISC - 時系列基礎モデルのための大規模実世界の多変量体コーパス
• Abstract要約: 我々は、200のデータセットと142億のタイムポイントを含む、大規模、高品質、現実世界、および多変量時系列アーカイブを構築します。 実験結果から,実世界の多変量データを組み込むことで,一般化性能が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 11.251202834387682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years have witnessed the emergence of multivariate modeling using time series foundation models (TSFMs), which achieve advanced zero-shot generalization. Modern multivariate TSFMs are predominantly pretrained on multivariate synthetic data, which is easier to scale but may fail to capture the complex temporal dynamics and cross-variable relationships present in real-world time series. This raises a key question: Whether and to what extent the leading TSFMs trained with the real-world corpus perform better than those trained with synthetic data? To answer this, we establish the RMISC corpus, a considerably large-scale, high-quality, openly accessible, real-world, and multivariate time series archive that contains around 200 datasets and 142 billion time points across diverse domains. Furthermore, we pretrain four advanced TSFMs on univariate, synthetic multivariate, and real-world multivariate data and evaluate their zero-shot generalization capabilities on standard in-distribution and out-of-distribution benchmarks. Experimental results show that incorporating real-world multivariate data predominantly improves the generalization performance for both univariate and multivariate TSFMs. These results provide a deeper understanding of how real-world multivariate data contributes to the development of stronger TSFMs.
• Abstract（参考訳）: 近年,高度なゼロショット一般化を実現する時系列基礎モデル (TSFM) を用いた多変量モデリングの出現を目撃している。 現代の多変量TSFMは主に多変量合成データに基づいて事前訓練されており、拡張が容易であるが、実世界の時系列に存在する複雑な時間的ダイナミクスや相互変数の関係を捉えることができない。 現実のコーパスでトレーニングされた主要なTSFMが、合成データでトレーニングされたものよりも、どの程度パフォーマンスが良いのか、という疑問が浮かび上がっています。 これに答えるために、RMISCコーパス(RMISC corpus)という、非常に大規模で、高品質で、オープンにアクセス可能で、実世界、マルチ変数の時系列アーカイブを構築しました。 さらに, 単変量, 合成多変量, 実世界の多変量データに対して, 4つの高度なTSFMを事前訓練し, 標準分布および分布外ベンチマーク上でのゼロショット一般化能力を評価した。 実験結果から,実世界の多変量データを組み込むことで,一変量および多変量TSFMの一般化性能が向上することが示唆された。 これらの結果は、実世界の多変量データがより強力なTSFMの開発にどのように貢献するかをより深く理解する。

関連論文リスト

• FreSH: Frequency-Segmented Hierarchical Multi-Expert Framework for Multivariate Time Series Classification [15.396551583872009]
  本稿では、これらの課題に対処するために設計された周波数分割階層型多言語フレームワークであるFreSHを紹介する。 FreSHは、時間信号の適応的マルチスケール解析を可能にすることで、MTSCの新しい視点を導入する。 分類精度において最先端の手法を一貫して上回り、モデルのサイズと効率を大幅に低下させる。
  論文  参考訳（メタデータ） (2026-08-08T16:05:17Z)
• MULTISEISMO: A Multimodal Seismic Dataset and Model for Cross-Modal Seismic Understanding [1.0407464689506312]
  地震学では、地震現象を理解するためには、時系列波形データ、地理画像、文脈メタデータの合成が必要である。 我々は,2010年から2023年までの13年間にわたる16K以上の地震事象にまたがる大規模構造的マルチモーダルデータセットであるMultiSeismoを提案する。 各イベントデータは、グローバルステーションネットワーク、強度マップ、人口暴露の可視化、および包括的なテキストフォーマットからの波形記録を統合する。 我々は,既存のマルチモーダルモデル (Unified IO 2) を特殊時間エンコーダで拡張したファインチューンを利用して,包括的地震解析のための最初のドメイン固有マルチモーダルモデルであるSeesModalを生成する。
  論文  参考訳（メタデータ） (2026-05-25T20:35:48Z)
• Universal Redundancies in Time Series Foundation Models [3.8551402560229806]
  Time Series Foundation Models (TSFM) は、推論中に未確認の時系列を正確に予測するために、広範囲の事前トレーニングを活用する。 本稿では,TSFMの機械的解釈性向上のためのツールセットについて紹介する。
  論文  参考訳（メタデータ） (2026-02-02T03:53:46Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• 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)
• Chronos-2: From Univariate to Universal Forecasting [52.753731922908905]
  Chronos-2は、一変量、多変量、共変量による予測タスクをゼロショットで処理できる事前訓練されたモデルである。 fev-bench、GIFT-Eval、Chronos Benchmark IIの3つの総合ベンチマークで最先端のパフォーマンスを提供する。 Chronos-2のコンテキスト内学習能力は、現実世界の予測パイプラインで"as is"として使用できる汎用予測モデルとして確立されている。
  論文  参考訳（メタデータ） (2025-10-17T17:00:53Z)
• MPTSNet: Integrating Multiscale Periodic Local Patterns and Global Dependencies for Multivariate Time Series Classification [18.142252811096643]
  我々は,MPTSNet(Multiscale Periodic Time Series Network)を提案する。 MPTSNetは、マルチスケールな局所パターンとグローバルな相関を統合し、時系列の固有情報をフル活用する。 UEAベンチマークデータセットの実験は、提案されたMPTSNetがMTSCタスクの21の高度なベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-03-07T17:07:51Z)
• mmE5: Improving Multimodal Multilingual Embeddings via High-quality Synthetic Data [71.352883755806]
  マルチモーダル埋め込みモデルは、テキストや画像などの様々なモダリティからデータを統一表現空間にマッピングする能力において、大きな注目を集めている。 しかし、ラベル付きマルチモーダルデータは、しばしば埋め込み性能を妨げる。 近年のアプローチでは、この問題に対処するためにデータ合成を活用しているが、合成データの質は依然として重大なボトルネックとなっている。
  論文  参考訳（メタデータ） (2025-02-12T15:03:33Z)
• 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)
• MMA-DFER: MultiModal Adaptation of unimodal models for Dynamic Facial Expression Recognition in-the-wild [81.32127423981426]
  実世界のアプリケーションでは,音声およびビデオデータに基づくマルチモーダル感情認識が重要である。 近年の手法は、強力なマルチモーダルエンコーダの事前学習に自己教師付き学習(SSL)の進歩を活用することに重点を置いている。 SSL-pre-trained disimodal encoders を用いて,この問題に対する異なる視点とマルチモーダル DFER の性能向上について検討する。
  論文  参考訳（メタデータ） (2024-04-13T13:39:26Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

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。