論文の概要: Post-Training in Time Series Foundation Models: A Unifying Framework

• arxiv url: http://arxiv.org/abs/2607.20002v2
• Date: Fri, 24 Jul 2026 12:07:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 14:08:30.928328
• Title: Post-Training in Time Series Foundation Models: A Unifying Framework
• Title（参考訳）: 時系列基礎モデルの後のトレーニング:統一フレームワーク
• Authors: Shifeng Xie, Ambroise Odonnat, Zehao Xiao, Lei Zan, Malik Tiomoko, Lujia Pan, Themis Palpanas, Boris N. Oreshkin, Chenghao Liu, Keli Zhang,
• Abstract要約: 時系列解析のための汎用モデルとして,時系列基礎モデル (TSFM) が登場している。 単独でのトレーニングは、信頼性の高い下流デプロイメントには不十分であることが多い。 ポストトレーニングは、ダウンストリームタスクのために訓練済みのTSFMを適応、強化、構成、校正、あるいは特殊化するための幅広い方法である。
• 参考スコア（独自算出の注目度）: 42.66753732684461
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series foundation models (TSFMs) have emerged as general-purpose models for time series analysis, but pretraining alone is often insufficient for reliable downstream deployment. Bridging this gap requires further intervention to handle domain shift, task heterogeneity, limited supervision, and computational constraints, which motivates post-training as a broad class of methods to adapt, augment, compose, calibrate, or specialize pretrained TSFMs for downstream tasks. In this work, we analyze TSFM post-training methods based on their locus of intervention in the prediction pipeline, yielding five categories: parameter adaptation, context augmentation, model composition, output processing and uncertainty control, and compression and specialization. Within each category, we study main representative methods and discuss their current limitations. We further identify future directions toward controlled adaptation, reliable context construction, uncertainty-aware model composition, calibrated output processing, and deployment-aware specialization. Overall, by providing a unifying framework for the emerging TSFM post-training landscape, this work aims to support future research to navigate the design space between a pretrained TSFM and its reliable downstream deployment.
• Abstract（参考訳）: 時系列基礎モデル (TSFM) は時系列解析のための汎用モデルとして登場しているが, 事前学習だけでは, 信頼性の高い下流展開には不十分であることが多い。 このギャップを埋めるためには、ドメインシフト、タスクの不均一性、限られた監督、計算制約を扱うためのさらなる介入が必要である。 本研究では,パラメータ適応,文脈拡張,モデル構成,出力処理と不確実性制御,圧縮と特殊化の5つのカテゴリからなる,予測パイプラインへの介入の軌跡に基づくTSFMポストトレーニング手法を解析する。 各カテゴリにおいて,主な代表的手法について検討し,その限界について論じる。 さらに,制御適応,信頼性のあるコンテキスト構築,不確実性を考慮したモデル構成,キャリブレーションされた出力処理,デプロイメント・アウェアの特殊化などに向けた今後の方向性を明らかにした。 全体として、新しいTSFMポストトレーニングランドスケープのための統一フレームワークを提供することにより、事前訓練されたTSFMと信頼性の高い下流デプロイメントの間の設計空間をナビゲートする将来の研究を支援することを目的としている。

関連論文リスト

• 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)
• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• Time Series Foundation Models for Process Model Forecasting [8.339024524110828]
  プロセスモデル予測は、プロセスの制御フロー構造が時間とともにどのように進化するかを予測することを目的としています。 機械学習とディープラーニングモデルは、統計的ベースラインよりも控えめな利得しか提供しない。 PMF の代替として Time Series Foundation Models (TSFMs) について検討する。
  論文  参考訳（メタデータ） (2025-12-08T15:08:50Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Less is More: Unlocking Specialization of Time Series Foundation Models via Structured Pruning [27.23328609888911]
  時系列基礎モデル 広大なパラメータを事前訓練し、驚くべきゼロショット予測性能を達成する。 驚くべきことに、微調整後も、TSFMは、フルショットダウンストリームデータでトレーニングされた、より小さな、特殊なモデルよりも一貫してパフォーマンスを向上することはできない。 より関連性が高くコンパクトなパラメータ空間に焦点を合わせることにより、その後の微調整プロセスを正規化するための構造化プルーニング法を提案する。
  論文  参考訳（メタデータ） (2025-05-29T07:33:49Z)
• UniSTD: Towards Unified Spatio-Temporal Learning across Diverse Disciplines [64.84631333071728]
  本稿では,時間的モデリングのためのトランスフォーマーベースの統合フレームワークであるbfUnistageを紹介する。 我々の研究は、タスク固有の視覚テキストが時間学習のための一般化可能なモデルを構築することができることを示した。 また、時間的ダイナミクスを明示的に組み込むための時間的モジュールも導入する。
  論文  参考訳（メタデータ） (2025-03-26T17:33:23Z)
• Provable Meta-Learning with Low-Rank Adaptations [37.120226706944926]
  本稿では,PEFTをベースとしたメタラーニングフレームワークを導入し,未知のタスクに容易に適応できるモデルを学習する。 LoRAを用いた線形モデルでは、適応可能なパラメータの集合を見つけるのに標準再学習が確実に最適であることを示す。 我々は、これらの理論的洞察を、実データビジョンや言語タスクと同様に、合成データの実験を通じて検証する。
  論文  参考訳（メタデータ） (2024-10-29T17:24:18Z)

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。