論文の概要: TS2TabPFN: Time Series Classification and Extrinsic Regression through Feature Extraction and a Tabular Foundation Model
- arxiv url: http://arxiv.org/abs/2608.04174v1
- Date: Tue, 04 Aug 2026 19:32:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.603303
- Title: TS2TabPFN: Time Series Classification and Extrinsic Regression through Feature Extraction and a Tabular Foundation Model
- Title（参考訳）: TS2TabPFN:特徴抽出と語彙基礎モデルによる時系列分類と外部回帰
- Abstract要約: 本稿では,TabPFN 2.5 と明示的特徴抽出を統合した TS2TabPFN を提案する。
TS2TabPFNは,統計的に有意なTSERタスクにおいて,最先端のモデルよりも有意に優れていることを示す。
その結果,基礎モデルと構造的特徴を組み合わせることで,単一パラダイムの制約を克服できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.7913770737379631
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series data are ubiquitous in practical applications, where classification (TSC) and extrinsic regression (TSER) have emerged as essential tasks for obtaining value from temporal sequences. While the literature has seen significant progress through feature-based and deep learning models, existing methods often focus either on the quality of feature extraction or on the intrinsic predictive power of complex architectures applied to raw data. This division creates a gap between the control offered by feature engineering and the automated performance of end-to-end models. This paper proposes TS2TabPFN, a framework that bridges this gap by integrating explicit feature extraction with TabPFN 2.5, a cutting-edge foundation model for tabular data, to leverage its predictive capabilities. Our extensive experimental evaluation demonstrates that TS2TabPFN significantly outperforms state-of-the-art models in TSER tasks with statistical significance, providing a robust and efficient alternative for TSC and surpassing most of the currently best-performing algorithms. These results suggest that combining foundation models with structured features overcomes single-paradigm limitations, establishing a new time series state-of-the-art.
- Abstract（参考訳）: 時系列データは、分類(TSC)と外因性回帰(TSER)が時間的シーケンスから価値を得るために欠かせないタスクとして出現する実践的応用において、ユビキタスである。
文献は機能ベースやディープラーニングモデルを通じて大きな進歩を遂げてきたが、既存の手法では、特徴抽出の品質や、生データに適用される複雑なアーキテクチャの本質的な予測力に重点を置いていることが多い。
この分割によって、機能エンジニアリングによって提供されるコントロールと、エンドツーエンドモデルの自動パフォーマンスの間にギャップが生じる。
本稿では,このギャップを埋めるフレームワークであるTS2TabPFNを提案する。
我々は,TS2TabPFNがTSERタスクの最先端モデルを統計的に有意に上回り,RTCの頑健で効率的な代替手段を提供し,現在最も優れたアルゴリズムのほとんどを上回っていることを示す。
これらの結果は、基礎モデルと構造的特徴を組み合わせることで、単一パラダイムの限界を克服し、新しい時系列状態を確立することを示唆している。
関連論文リスト
- TS-ICL: A Flexible Time-Indexed Foundation Model for Time Series via In-Context Learning [0.764671395172401]
現在のアプローチは主に予測に焦点を当てているが、現実の時系列はしばしば不規則で部分的に観察される。
本稿では,予測と計算を統一する新しい確率的インコンテキスト学習エンコーダであるTS-ICLを紹介する。
論文 参考訳（メタデータ） (2026-06-04T08:52:21Z) - Multitask-Informed Prior for In-Context Learning on Tabular Data: Application to Steel Property Prediction [10.228135528637411]
本研究では,TabPFNの先行にマルチタスク認識を注入するマルチタスク学習フレームワークを提案する。
本手法は,タスク固有の微調整に比べて予測精度と計算効率を両立させる。
論文 参考訳（メタデータ） (2026-03-24T03:03:54Z) - It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。
我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。
静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
論文 参考訳（メタデータ） (2026-02-12T16:31:01Z) - TiCT: A Synthetically Pre-Trained Foundation Model for Time Series Classification [24.157185193971856]
テキスト内分類を行うために合成データのみに事前訓練したトランスフォーマーベースモデルであるTiCTを紹介する。
TiCTは最先端の教師付き手法と競合する性能を発揮する。
論文 参考訳（メタデータ） (2025-11-24T20:57:55Z) - Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。
微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。
モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
論文 参考訳（メタデータ） (2025-09-28T07:07:13Z) - ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。
実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
論文 参考訳（メタデータ） (2025-09-07T13:57:14Z) - A Closer Look at TabPFN v2: Understanding Its Strengths and Extending Its Capabilities [51.08999772842298]
Tabular Prior-data Fitted Network v2 (TabPFN v2)は、さまざまな下流データセット間で、前例のないコンテキスト内学習性能を達成する。
本研究では,TabPFN v2が属性トークンをランダムに入力しても属性関係を推測可能であることを示す。
我々はTabPFN v2の制限がテスト時間分割・コンテキスト戦略によって対処できることを実証した。
論文 参考訳（メタデータ） (2025-02-24T17:38:42Z) - TD3: Tucker Decomposition Based Dataset Distillation Method for Sequential Recommendation [50.23504065567638]
本稿では,メタラーニングフレームワークにおける textbfDataset textbfDistillation 手法である textbfTD3 を紹介する。
TD3は、オリジナルのデータから完全に表現力のある合成配列の要約を蒸留する。
拡張技術により、学習者は合成要約を忠実に適合させ、アンプループでの正確な更新を確実にすることができる。
論文 参考訳（メタデータ） (2025-02-05T03:13:25Z) - tPARAFAC2: Tracking evolving patterns in (incomplete) temporal data [0.7285444492473742]
進化因子のスムーズな時間的正規化を利用する t(emporal)PARAFAC2 を導入する。
tPARAFAC2は、ノイズや欠落したデータの存在下で、最先端技術と比較して、より正確に進化するパターンを抽出できることを示す。
論文 参考訳（メタデータ） (2024-07-01T15:10:55Z) - TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series Forecasting [24.834846119163885]
本稿では,時系列表現を効果的に学習できる新しいフレームワークTEMPOを提案する。
TEMPOは、様々な領域のデータから現実世界の時間現象を動的にモデル化する機能を拡張する。
論文 参考訳（メタデータ） (2023-10-08T00:02:25Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
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。