論文の概要: Expert-Guided Forecast Editing for Time-Series Foundation Models

• arxiv url: http://arxiv.org/abs/2607.19659v1
• Date: Wed, 22 Jul 2026 01:49:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.946851
• Title: Expert-Guided Forecast Editing for Time-Series Foundation Models
• Title（参考訳）: 時系列基礎モデルのためのエキスパートガイドによる予測編集
• Abstract要約: 時系列基礎モデルは、タスク固有のトレーニングなしで異種領域にわたって予測できるが、その予測は一度生成されると修正され、タスク固有の専門家のフィードバックを直接組み込むことはできない。 凍結基盤モデルにより将来の予測軌跡が生成され,高額な専門家評価者が予測修正を導出するためのスコア付けを行う。 textbfDEFTは,まず基礎モデルの予測サンプルを時系列空間で活用し,その周辺をコンポーネントワイドリファインメントで探索することで,両者のバランスを保ちながら専門家が指導する予測編集フレームワークである。
• 参考スコア（独自算出の注目度）: 5.658823606684945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series foundation models can forecast across heterogeneous domains without task-specific training, but their forecasts are fixed once produced and cannot directly incorporate task-specific expert feedback. We study expert-guided forecast editing: a frozen foundation model generates candidate future trajectories, and an expensive expert evaluator scores them to guide forecast revision. Under a tight query budget, two natural strategies sit at opposite ends: best-of-$N$ purely exploits the foundation model's predictive distribution, while optimization approaches mostly explore the forecast horizon as an unstructured high-dimensional vector. Each extreme is individually sub-optimal. We introduce \textbf{DEFT}, an expert-guided forecast editing framework that balances the two by first exploiting the foundation model's predictive samples in a decomposed trend--seasonal space, then exploring around them via component-wise refinement. DEFT queries the expert only on complete trajectories, then reuses scores for the trend and seasonal components that appeared in the queried recombinations. This lets each expert query provide structured component-level feedback while keeping the foundation model frozen. We compare DEFT against direct search approaches, including best-of-$N$, cross-entropy methods, and Bayesian optimization, under matched expert-query budgets. Across two forecasting benchmarks consisting of 78 datasets, three time-series foundation models, four feedback types, and seven query budgets, DEFT consistently improves the effectiveness of expert guidance. A molecular-dynamics case study further suggests that the same principle extends to more physically grounded feedback, supporting the hypothesis that sparse test-time guidance should be spent balancing prior exploitation with structured exploration.
• Abstract（参考訳）: 時系列基礎モデルは、タスク固有のトレーニングなしで異種領域にわたって予測できるが、その予測は一度生成されると修正され、タスク固有の専門家のフィードバックを直接組み込むことはできない。 凍結基盤モデルにより将来の予測軌跡が生成され,高額な専門家評価者が予測修正を導出するためのスコア付けを行う。 ベスト・オブ・N$はファンデーションモデルの予測分布を純粋に利用し、最適化アプローチは主に非構造的な高次元ベクトルとして予測水平線を探索する。 各極端は個別に準最適である。 本稿では,まず,基礎モデルの予測サンプルを時系列空間で分解し,その周辺をコンポーネントワイドリファインメントで探索することにより,両者のバランスを保ちながら専門家が指導する予測編集フレームワークである‘textbf{DEFT} を紹介する。 DEFTは専門家に完全な軌道のみを問い合わせ、クエリされたリコンビネーションに現れるトレンドと季節的なコンポーネントのスコアを再利用する。 これにより、各エキスパートクエリは、ファンデーションモデルを凍結したまま、構造化されたコンポーネントレベルのフィードバックを提供することができる。 我々は,N$のベスト・オブ・N$,クロスエントロピー法,ベイズ最適化などの直接探索手法と比較して,一致した専門家・クエリー予算の下でDFTを比較した。 78のデータセット、3つの時系列基礎モデル、4つのフィードバックタイプ、7つのクエリ予算からなる2つの予測ベンチマークにおいて、DEFTはエキスパートガイダンスの有効性を一貫して改善している。 分子力学のケーススタディでは、同じ原理がより物理的に基礎付けられたフィードバックにまで拡張され、スパーステストタイムガイダンスは、構造化された探索による事前利用のバランスに費やされるべきである、という仮説を支持している。

関連論文リスト

• Information Bottleneck Learning for Faithful Time Series Forecasting Explanations [26.577036929886486]
  IB-Forecastは本質的に解釈可能な多変量時系列予測フレームワークである。 予測を学習周期成分と、入力トークン上の説明可能なマスクで計算された残留成分に分解する。 予算制約のある情報ボトルネックにより、エンド・ツー・エンドの最適化により、ユーザーは説明の間隔を直接制御できる。
  論文  参考訳（メタデータ） (2026-07-30T12:33:19Z)
• Foundation Models and Fine-Tuning: Toward a New Generation of Models for Time Series Forecasting [26.28141834580785]
  ファンデーションモデルはゼロショット時系列予測のための有望なパラダイムとして登場した。 それらは、多種多様な時系列のコレクションで事前訓練され、点予測と確率予測の両方をサポートする一般化可能な表現を学ぶ。 このアプローチは、データセット固有のモデル設計と手動チューニングの必要性を軽減し、予測問題にまたがる統一されたソリューションを提供する。
  論文  参考訳（メタデータ） (2026-07-25T10:55:06Z)
• 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)
• Assessing the Operational Viability of Foundation Models for Time Series Forecasting [0.0]
  時系列予測は、金融、輸送、エネルギーといった分野における運用上の決定を促進する。 教師付き学習アプローチは高いパフォーマンスを達成する一方で、ドメイン固有のトレーニング、機能エンジニアリング、継続的なメンテナンスが必要である。 大規模なファウンデーションモデルは、最近ゼロショットの代替として登場し、LSMのようなタスク固有のトレーニングを避けた。
  論文  参考訳（メタデータ） (2026-05-23T03:40:44Z)
• Beyond Extrapolation: Knowledge Utilization Paradigm with Bidirectional Inspiration for Time Series Forecasting [81.44658512649633]
  KUP-BIは、エンファントレインのみの歴史図書館から継続スタイルの知識を抽出する新しい時系列モデリングパラダイムである。 最新モデルの予測性能を継続的に改善し、オーバーヘッドを小さくする。
  論文  参考訳（メタデータ） (2026-05-19T01:43:00Z)
• On Bayesian Softmax-Gated Mixture-of-Experts Models [95.06359956519759]
  本研究では,ユビキタスソフトマックスに基づくゲーティング機構に着目し,実験モデルの混合について検討する。 本稿では,パラメータ推定とボロノイ型損失に基づく収束保証の導出について分析する。 これらの結果は、ソフトマックスゲーティングによる実験モデルの混合に関する最初の体系的理論的分析の1つである。
  論文  参考訳（メタデータ） (2026-04-22T13:37:00Z)
• Improving Minimax Estimation Rates for Contaminated Mixture of Multinomial Logistic Experts via Expert Heterogeneity [49.809923981964715]
  凍結したエキスパートとして機能する事前訓練されたモデルを、新しいタスクを学ぶためにトレーニング可能なエキスパートとして機能するアダプタモデルに統合するトランスファー学習手法によって、汚染された専門家の混合(MoE)が動機付けられる。 本研究は, 地絡パラメータがサンプルサイズによって異なる困難な条件下で, パラメータを推定するための一様収束率を特徴付ける。 また、対応するミニマックス下限を定め、これらのレートがミニマックス最適であることを保証する。
  論文  参考訳（メタデータ） (2026-01-31T23:45:50Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• Foundation Models for Demand Forecasting via Dual-Strategy Ensembling [11.926658499983446]
  本研究では,現実のサプライチェーンにおける販売予測のための基盤モデルの性能を向上させる統一アンサンブルフレームワークを提案する。 提案手法は,(1)階層型アンサンブル(HE)と(2)モデルバックボーンからの予測を統合し,バイアスを緩和し,安定性を向上させるアーキテクチャアンサンブル(AE)の2つの相補的戦略を組み合わせる。
  論文  参考訳（メタデータ） (2025-07-29T17:56:38Z)
• 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)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• Forecasting reconciliation with a top-down alignment of independent level forecasts [3.600932575533886]
  全体予測性能は,下層部における断続時系列の予測精度に大きく影響している。 本稿では,階層の上層部における予測精度を高めるため,底面予測を潜時として扱う予測調整手法を提案する。
  論文  参考訳（メタデータ） (2021-03-15T10:00:23Z)

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。