Fugu-MT 論文翻訳(概要): Lightweight Wrappers for Adapting Time Series Foundation Models to Regional Drought Forecasting

論文の概要: Lightweight Wrappers for Adapting Time Series Foundation Models to Regional Drought Forecasting

arxiv url: http://arxiv.org/abs/2607.17511v1
Date: Mon, 20 Jul 2026 03:36:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.490575
Title: Lightweight Wrappers for Adapting Time Series Foundation Models to Regional Drought Forecasting
Title（参考訳）: 地域干ばつ予測に時系列モデルを適用する軽量ラッパー
Abstract要約: Large emphTime Series Foundation Models (TSFM) は、さまざまなドメインにわたる強力なゼロショット予測機能を示している。我々は,凍結したTSFMを推論時に強化する軽量なブラックボックス適応フレームワークを提案する。我々は,南オーストラリア各地におけるSPEI(Standardized Precipitation Evapopiration Index)予測を1カ月前に評価した。
参考スコア（独自算出の注目度）: 26.173260602322383
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large \emph{Time Series Foundation Models} (TSFMs) demonstrate strong zero-shot forecasting capabilities across diverse domains. However, their application to regional climate forecasting faces practical challenges: model weights are often proprietary, local training records are limited, and computational budgets are constrained, making traditional fine-tuning approaches infeasible. To address these constraints, we introduce a lightweight, black-box adaptation framework (requiring no access to backbone parameters and no backbone fine-tuning) that enhances frozen TSFMs at inference time through two plug-and-play wrappers: \textbf{SMR\textsuperscript{2}} (Stationarity aware multi-resolution Residual), which decomposes the input into multi-resolution temporal views, learns stride specific residual corrections that capture regional dynamics, then adaptively ensembles them into a single forecast, and \textbf{MBB} (Moving Block Bootstrap), which preserves temporal dependencies through block resampling and ensembles over temporally coherent residual perturbations to stabilize the point forecast. Both wrappers instantiate the same bagging style principle: they build diverse views of the input or its residuals, forecast each with the same frozen backbone, and aggregate, so all adaptation comes from inference time ensembling rather than any weight update. Evaluated on one month ahead Standardized Precipitation Evapotranspiration Index (SPEI) prediction across multiple sites in South Australia, our framework consistently improves forecasting performance across several backbone models, demonstrating up to 26\% mean squared error (MSE) reduction over the corresponding frozen backbone while enabling practical deployment in resource constrained regional forecasting systems.
Abstract（参考訳）: Large \emph{Time Series Foundation Models} (TSFM) は、さまざまなドメインにわたる強力なゼロショット予測機能を示している。モデルウェイトはプロプライエタリであり、地元のトレーニング記録は限られており、計算予算は制限されており、従来の微調整アプローチは実現不可能である。これらの制約に対処するために、軽量なブラックボックス適応フレームワーク(バックボーンパラメータのアクセスを必要とせず、バックボーンの微調整も不要)を導入し、2つのプラグアンドプレイラッパーを通じて冷凍TSFMを推論時に強化する: \textbf{SMR\textsuperscript{2}} (Stationarity aware multi- resolution Residual)は、入力をマルチレゾリューションの時間的ビューに分解し、局所的ダイナミクスをキャプチャし、それを適応的に単一の予測にアンサンブルする特定の残留補正を学習する。両方のラッパーは同じバギングスタイルの原則をインスタンス化し、入力またはその残余の多様なビューを構築し、それぞれが同じ凍ったバックボーンで予測し、集約する。南オーストラリア各地におけるSPEI(Standardized Precipitation Evapo transpiration Index)予測の1カ月前に評価され,本フレームワークは複数のバックボーンモデルにおける予測性能を継続的に改善し,凍結したバックボーンに対する平均2乗誤差(MSE)の最大26倍まで低減し,資源制約による地域予測システムへの実践的展開を実現した。

関連論文リスト

SPACE: Sample-cloud Predictive Adaptive Conformal Ellipsoids for Multivariate Time-Series Forecasting [0.42056926734482064]
SPACEはサンプル生成型多変量予測器のための共形ラッパーである。現在の予測サンプル雲から直接時間-局所共分散の幾何を推定することにより楕円形の関節予測領域を構築する。達成された関節と転がりのカバーを名目上の目標に近づける。
論文参考訳（メタデータ） (2026-08-18T03:44:32Z)
Making Every Step Count: Spatio-Temporal Information Allocation for Imaging Inverse Problems [63.904793414062816]
スペクトルベーススケジューリング(SAS)と計測分割アテンション(MPA)の2つの補完的およびトレーニング不要なコンポーネントを紹介する。 SASは、利用可能なNFEを、スペクトルおよびlogSNR幾何に従ってフロータイムに分散し、セマンティック探索と詳細精細化のバランスを良くする。 MPAは情報を弱い制約のある領域へ誘導し、意味的および構造的忠実性を高める。
論文参考訳（メタデータ） (2026-08-12T07:39:22Z)
Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-24T07:31:55Z)
LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文参考訳（メタデータ） (2026-05-11T09:54:02Z)
PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。本手法は,結合予測システムの長期安定性を著しく向上させる。
論文参考訳（メタデータ） (2026-05-09T13:12:33Z)
TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。これは最先端の可逆正規化法より優れている。
論文参考訳（メタデータ） (2026-03-18T07:21:24Z)
A Decomposition-based State Space Model for Multivariate Time-Series Forecasting [0.0]
本稿では,3つの並列状態空間モデル分岐を用いたエンドツーエンド分解フレームワークを提案する。標準ベンチマーク全体では、DecompSSMは強力なベースラインを上回り、コンポーネントワイドな状態空間モデルとグローバルなコンテキスト改善の組み合わせの有効性を示した。
論文参考訳（メタデータ） (2026-02-05T07:17:08Z)
ForecastGAN: A Decomposition-Based Adversarial Framework for Multi-Horizon Time Series Forecasting [0.5213778368155993]
時系列予測は、ファイナンスからサプライチェーン管理までの領域で必須である。本稿では,マルチホライズン予測のための新しい解析手法であるForecastGANを紹介する。 ForecastGANは、短期予測のための最先端のトランスフォーマーモデルより一貫して優れており、長期水平線では競争力を維持している。
論文参考訳（メタデータ） (2025-11-06T15:19:23Z)
Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
論文参考訳（メタデータ） (2025-07-09T18:03:31Z)
Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散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） (2025-06-24T21:44:31Z)
OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
論文参考訳（メタデータ） (2025-02-01T06:49:16Z)
Meta-Forecasting by combining Global DeepRepresentations with Local Adaptation [12.747008878068314]
メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
論文参考訳（メタデータ） (2021-11-05T11:45:02Z)

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。