論文の概要: Causal Analysis for Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2608.24303v1
• Date: Tue, 25 Aug 2026 09:30:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.922741
• Title: Causal Analysis for Time Series Foundation Models
• Title（参考訳）: 時系列基礎モデルの因果解析
• Abstract要約: 時系列基礎モデルのバイアスと障害モードを,デプロイ前にどのように特定するかを検討する。 我々はChronos-2とTimesFM-2.5に因果解析フレームワークを適用し、6つの異なる時系列パターンでそれらをテストした。 また、両モデルとも持続性を過大評価する傾向を示し、両モデルがレシエーションスイッチパターンに対して突然失敗し、TimesFM-2.5がエネルギー放出パターンに対して失敗する傾向を示した。
• 参考スコア（独自算出の注目度）: 2.601570325792829
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transitioning from bespoke time series models towards time series foundation models changes the relationship of model and application from one-to-one to one-to-many. This shift introduces concentration risk as many, potentially high-risk, forecasting applications are exposed to the same biases and failure modes of a single time series foundation model. At the same time, this centralization allows for economies of scale in model development and validation. In this study we investigate how biases and failure modes of time series foundation models can be identified before deployment. We propose a causal analysis framework to investigate the ability of a time series foundation model to preserve time series patterns. To achieve this, we intervene on parameterized synthetic time series generators and measure the corresponding change in model output under ceteris paribus conditions. We apply our causal analysis framework to Chronos-2 and TimesFM-2.5 and test them across six distinct time series patterns. We find safe configurations for trend and harmonic oscillation patterns. The results also indicate a bias in both models towards overestimating persistence, sudden failures for both models against the regime switch pattern and failure for TimesFM-2.5 against the energy-release pattern. Our review of the original works for both models indicates that the findings might be explained by the data used for pretraining. We conclude our study with suggestions for further model development, recommendations for application-specific model selection, and a discussion of limitations and further research directions.
• Abstract（参考訳）: 時系列モデルから時系列モデルへの移行は、モデルとアプリケーションとの関係を1対1から1対マニーに変化させる。 このシフトは、多くの、潜在的にリスクの高い予測アプリケーションが単一の時系列基礎モデルと同じバイアスと障害モードに晒されるように、集中リスクをもたらす。 同時に、この中央集権化は、モデル開発と検証におけるスケールの経済を可能にする。 本研究では,時系列基礎モデルのバイアスと障害モードが,展開前にどのように特定できるかを検討する。 時系列パターンを保存するための時系列基礎モデルの有効性を検討するための因果解析フレームワークを提案する。 これを実現するため, パラメータ化合成時系列生成装置に介入し, セテリスパリバス条件下でのモデル出力の変化を計測した。 我々はChronos-2とTimesFM-2.5に因果解析フレームワークを適用し、6つの異なる時系列パターンでそれらをテストした。 我々は、トレンドと調和振動パターンの安全な構成を見つける。 また、両モデルとも持続性を過大評価する傾向を示し、両モデルがレシエーションスイッチパターンに対して突然失敗し、TimesFM-2.5がエネルギー放出パターンに対して失敗する傾向を示した。 両モデルのオリジナルの研究成果を概観すると, 事前学習に使用するデータから, 結果が説明できる可能性が示唆された。 本研究の結論は,さらなるモデル開発,アプリケーション固有のモデル選択の推奨,限界の議論,さらなる研究方向性である。

関連論文リスト

• Understanding the Implicit Biases of Design Choices for Time Series Foundation Models [90.894232610821]
  時系列基礎モデル(TSFM)は、時系列予測と関連する時間的タスクのための潜在的に強力で汎用的なツールのクラスである。 彼らの行動はデザインの微妙な帰納的バイアスによって強く形作られています。 モデルやデータの性質によって、これらのバイアスが直感的であるか、非常に直感的であるかを示す。
  論文  参考訳（メタデータ） (2025-10-22T04:42:35Z)
• 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)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Retrieval-Augmented Diffusion Models for Time Series Forecasting [19.251274915003265]
  検索時間拡張拡散モデル(RATD)を提案する。 RATDは埋め込みベースの検索プロセスと参照誘導拡散モデルという2つの部分から構成される。 当社のアプローチでは,データベース内の意味のあるサンプルを活用することで,サンプリングを支援し,データセットの利用を最大化することが可能です。
  論文  参考訳（メタデータ） (2024-10-24T13:14:39Z)
• Conditional Denoising Meets Polynomial Modeling: A Flexible Decoupled Framework for Time Series Forecasting [5.770377200028654]
  本稿では,複雑な時間パターンをモデル化するための条件記述型多項式モデリング(CDPM)フレームワークを提案する。 結合した時系列をモデル化する代わりに、CDPMはそれを傾向と季節的な要素に分解し、個別にモデル化する。 スムーズなトレンドコンポーネントに対しては、歴史的依存関係を組み込んで線形モデルを強化するモジュールが提案されている。
  論文  参考訳（メタデータ） (2024-10-17T06:20:43Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• Exploring Representations and Interventions in Time Series Foundation Models [17.224575072056627]
  時系列基礎モデル(TSFM)は、幅広いアプリケーションのための強力なツールであることを約束する。 彼らの内部表現や学習された概念はまだよく理解されていない。 本研究では,様々なTSFMにおける表現の構造と冗長性について検討する。
  論文  参考訳（メタデータ） (2024-09-19T17:11:27Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Non-autoregressive Conditional Diffusion Models for Time Series Prediction [3.9722979176564763]
  TimeDiffは、高品質な時系列予測を実現する非自己回帰拡散モデルである。 我々はTimeDiffが既存の時系列拡散モデルより一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T08:53:59Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)

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。