論文の概要: TSPFN: A Temporal Tabular Foundation Model for Physiological Time Series Classification

• arxiv url: http://arxiv.org/abs/2608.31013v1
• Date: Mon, 31 Aug 2026 15:58:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.494812
• Title: TSPFN: A Temporal Tabular Foundation Model for Physiological Time Series Classification
• Title（参考訳）: TSPFN:生理的時系列分類のための時間的タブラリ基礎モデル
• Abstract要約: TSPFNはTabPFNのアーキテクチャを時系列データに再設計する基礎モデルである。 これは、複数の医療領域にまたがる14万の現実世界の生理的時系列に事前訓練されている。
• 参考スコア（独自算出の注目度）: 13.560779950533759
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing models that generalize effectively in low- to medium-data regimes remains a primary challenge in medical machine learning, particularly for physiological time-series classification. While tabular foundation models such as TabPFN offer an attractive alternative to conventional fine-tuning through in-context learning, they are not designed to capture the temporal dependencies inherent to physiological signals. ~In this paper, we introduce TSPFN, a foundation model that redesigns TabPFN's architecture for time series data. TSPFN integrates structured temporal representations and positional embeddings to capture intra-sample temporal and channel dependencies. To fully leverage its spatio-temporal design, the model is pretrained on 140,000 real-world physiological time series across multiple medical domains. This yields a unified, generalizable framework capable of learning the specificities of medical time series. Experiments across diverse physiological benchmarks demonstrate that TSPFN consistently outperforms standard tabular baselines and TabPFN, and achieves superior cross-domain generalization compared to specialized deep time-series models. All our experiments, ablation studies, and pre-processing scheme are publicly available at https://github.com/Jeremstym/TSPFN
• Abstract（参考訳）: 低-中-データ体制で効果的に一般化するモデルを設計することは、特に生理的時系列分類において、医療機械学習において主要な課題である。 TabPFNのような表層基礎モデルは、文脈内学習による従来の微調整に代わる魅力的な代替手段を提供するが、生理的信号に固有の時間的依存を捉えるように設計されていない。 本稿では,時系列データに対するTabPFNのアーキテクチャを再設計する基礎モデルであるTSPFNを紹介する。 TSPFNは、構造的時間的表現と位置的埋め込みを統合して、サンプル内時間的およびチャネル的依存関係をキャプチャする。 時空間設計を完全に活用するために、このモデルは複数の医療領域にまたがる14万の現実世界の生理的時系列に事前訓練されている。 これにより、医療時系列の特異性を学ぶことができる統一的で一般化可能なフレームワークが得られる。 様々な生理学的ベンチマークによる実験により、TSPFNは標準表のベースラインやTabPFNより一貫して優れており、専門の深層時系列モデルよりも優れたドメイン間一般化を実現していることが示された。 我々のすべての実験、アブレーション研究、および前処理スキームはhttps://github.com/Jeremstym/TSPFNで公開されている。

関連論文リスト

• In-Context Time Series Classification with Random Convolutional Features [38.40148298084127]
  時系列分類は、医療信号分析、産業モニタリング、センサーに基づく活動認識などの領域の中心である。 我々は,MultiRocketとHydraを結合したパイプラインであるMASHTを提案する。 提案手法はタスク固有のモデルトレーニングを完全に回避し,特徴抽出と直接推論のみを必要とする。
  論文  参考訳（メタデータ） (2026-07-21T16:04:35Z)
• Towards Unified and Data-Efficient Prognostics and Health Management with Tabular Foundation Models [13.382059615065167]
  Data-driven Prognostics and Health Management (PHM) は、システム状態の診断と、エンジニアリングされた資産の残りの有用な寿命を見積もるために、時間変化のある状態監視データを使用する。 これらのタスクはメンテナンス計画の中心であるが、産業用PHMデータは断片化され、部分的に観察され、ラベルが不十分であることが多い。 In-context Learning を用いた産業時系列に Tabular Foundation Models を適用するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-03T22:00:29Z)
• Comparative Analysis of Liquid Neural Networks and LSTM for Sequential Pattern Recognition: Robustness, Efficiency, and Clinical Utility [0.30586855806896046]
  LNN(Liquid Neural Networks)は、ネイティブの時間領域において、優れたパラメータ効率とはるかに高いロバスト性を提供する。 この拡張プレプリントは、関連するデータセットとLNN理論の系統に関する追加のバックグラウンドを提供する。
  論文  参考訳（メタデータ） (2026-05-26T08:18:52Z)
• 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)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• ViTime: Foundation Model for Time Series Forecasting Powered by Vision Intelligence [49.60944381032587]
  時系列予測(TSF)は、電力やエネルギー、輸送など、様々な分野で大きな実践的価値を持っている。 TSFモデルは長年、問題固有であり、アプリケーションの一般化性に欠けることが知られている。 本稿では,視覚情報を利用したViTimeフレームワークを初めて提案する。
  論文  参考訳（メタデータ） (2024-07-10T02:11:01Z)
• Self-Supervised Spatial-Temporal Normality Learning for Time Series Anomaly Detection [30.364392156075294]
  Time Series Anomaly Detection (TSAD)は、金融市場、工業生産、医療など、さまざまな分野に広く応用されている。 既存のTSAD手法の多くは、空間次元における意味情報を無視しながら、時間次元からのデータモデリングに重点を置いている。 時空間正規化学習(Spatial-Temporal Normality Learning, STEN)と呼ばれる新しい手法を導入する。
  論文  参考訳（メタデータ） (2024-06-28T09:17:58Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)

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。