Fugu-MT 論文翻訳(概要): Rethinking Multimodal Time-Series Forecasting Evaluation

論文の概要: Rethinking Multimodal Time-Series Forecasting Evaluation

arxiv url: http://arxiv.org/abs/2607.06973v1
Date: Wed, 08 Jul 2026 03:50:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-09 22:50:30.276722
Title: Rethinking Multimodal Time-Series Forecasting Evaluation
Title（参考訳）: マルチモーダル時系列予測評価の再考
Abstract要約: 我々は,時系列予測ベンチマークTimesXを導入する。 TimesXは、さまざまなドメインとテキストコンテキストを持つ高品質な実世界の時系列を幅広く選択している。我々はTimesXにおけるゼロショットマルチモーダル予測手法の徹底的な実証的研究を行った。
参考スコア（独自算出の注目度）: 30.02814339453953
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce a new context-enriched, multimodal time series forecasting benchmark, TimesX. TimesX contains a wide selection of high-quality real-world time series with diverse domains and textual contexts obtained from an automated data generation pipeline, which helps address three main issues of existing multimodal forecasting benchmarks: (1) poor generalization due to the small scale and synthetic nature of benchmark data, (2) very limited types of textual contexts in the benchmarks, and (3) an inability to mitigate data leakage in evaluation. We conduct a thorough empirical study of zero-shot multimodal forecasting approaches on TimesX. Our results suggest that many approaches that perform well on existing benchmarks may fail on TimesX. In contrast, simple ensemble methods that leverage rich textual context accompanying time-series can outperform strong baselines on TimesX.
Abstract（参考訳）: 我々は,時系列予測ベンチマークTimesXを導入する。 TimesXは、さまざまなドメインと自動データ生成パイプラインから得られるテキストコンテキストを備えた高品質な実世界の時系列を幅広く選択しており、これは既存のマルチモーダル予測ベンチマークの3つの主要な問題に対処するのに役立つ。我々はTimesXにおけるゼロショットマルチモーダル予測手法の徹底的な実証的研究を行った。既存のベンチマークでよく機能する多くのアプローチがTimesXでは失敗する可能性が示唆された。対照的に、時系列に付随するリッチテキストコンテキストを利用する単純なアンサンブル法は、TimesXの強いベースラインよりも優れている。

関連論文リスト

Beyond Numerical Time Series: A Unified Benchmark for Multimodal Forecasting with Heterogeneous Context [10.330435945681916]
MUSE-Benchは、異種コンテキストで予測するマルチモーダル時系列の統一ベンチマークである。 8つのドメインと6種類のコンテキストにまたがる14のデータセットで構成されている。
論文参考訳（メタデータ） (2026-09-14T06:01:16Z)
SCENARIODIFF: A Scenario-level Guidance Framework for Multimodal Time Series Forecasting--Extended Version [5.00208619516796]
マルチモーダル時系列予測のための階層的文脈推論フレームワークであるSCENARIODIFFを提案する。 SCENARIODIFFは、コンテキスト情報を3つのレベルに分類する: 履歴コンテキストエージェントは、生文書から段階的に証拠を抽出し、シナリオエージェントは、予測水平線のための定性的なシナリオ記述を生成し、アンカーガイダンスエージェントは、イベント関連将来領域のスパースアンカーポイントを生成する。 Time-MMDベンチマークの実験では、SCENARIODIFFはイベント駆動ドメインで特に有効であることが示されている。
論文参考訳（メタデータ） (2026-08-17T22:05:09Z)
Overcoming the Modality Gap in Context-Aided Forecasting [54.976964834365056]
本稿では,時間的力学の記述と数値履歴に相補的な文脈を生成する半合成データ拡張手法を提案する。このアプローチによって大規模なデータセット生成が可能になり、700万のコンテキスト拡張時系列ウィンドウのコーパスであるCAF-7Mが実現される。
論文参考訳（メタデータ） (2026-03-12T21:05:33Z)
FinTexTS: Financial Text-Paired Time-Series Dataset via Semantic-Based and Multi-Level Pairing [33.23601503890859]
テキストと財務時系列データをペアリングするための意味に基づく多段階ペアリングフレームワークを提案する。本手法をプロプライエタリかつ慎重にキュレートしたニュースソースに適用すると,高品質なペアリングデータとなり,株価予測性能が向上することを示す。
論文参考訳（メタデータ） (2026-03-03T07:45:57Z)
TSAQA: Time Series Analysis Question And Answering Benchmark [85.35545785252309]
時系列データは、金融、医療、交通、環境科学といった分野における重要な応用に不可欠である。 TSAQAはタスクカバレッジを拡大し、多様な時間的分析能力を評価するために設計された新しい統合ベンチマークである。
論文参考訳（メタデータ） (2026-01-30T17:28:56Z)
What If TSF: A Benchmark for Reframing Forecasting as Scenario-Guided Multimodal Forecasting [8.593646221015264]
TSF(WIT)は、モデルが文脈テキストで予測を条件付けできるかどうかを評価するためのベンチマークである。 WITはシナリオ誘導型マルチモーダル予測のための厳格なテストベッドを提供する。
論文参考訳（メタデータ） (2026-01-13T12:47:43Z)
When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。その結果,マルチモーダリティの利点は条件に依存していることが判明した。我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
論文参考訳（メタデータ） (2025-06-20T23:55:56Z)
MTBench: A Multimodal Time Series Benchmark for Temporal Reasoning and Question Answering [21.064096256892686]
マルチモーダル時系列データセットは、クロスモーダル推論と複雑な質問応答の評価において不足している。時系列およびテキスト理解における大規模言語モデル(LLM)を評価するベンチマークであるMTBench(Multimodal Time Series Benchmark)を紹介する。 MTbench 上での最先端 LLM の評価を行い,ニュース物語と時間パターンの複雑な関係をモデル化する上での有効性を分析した。
論文参考訳（メタデータ） (2025-03-21T05:04:53Z)
Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
論文参考訳（メタデータ） (2024-10-24T17:56:08Z)
Towards Realistic Low-resource Relation Extraction: A Benchmark with Empirical Baseline Study [51.33182775762785]
本稿では,低リソース環境下での関係抽出システムを構築するための実証的研究について述べる。低リソース環境での性能を評価するための3つのスキームについて検討する。 (i) ラベル付きラベル付きデータを用いた異なるタイプのプロンプトベース手法、 (ii) 長期分布問題に対処する多様なバランシング手法、 (iii) ラベル付きインドメインデータを生成するためのデータ拡張技術と自己学習。
論文参考訳（メタデータ） (2022-10-19T15:46:37Z)
Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文参考訳（メタデータ） (2021-10-26T20:41:19Z)

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。