Fugu-MT 論文翻訳(概要): Compositional Spectral Prompts for LLM-based Online Time Series Forecasting

論文の概要: Compositional Spectral Prompts for LLM-based Online Time Series Forecasting

arxiv url: http://arxiv.org/abs/2609.02093v1
Date: Wed, 02 Sep 2026 04:34:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-03 17:53:18.083812
Title: Compositional Spectral Prompts for LLM-based Online Time Series Forecasting
Title（参考訳）: LLMを用いたオンライン時系列予測のための合成スペクトルプロンプト
Abstract要約: CoSPOTは、トレーニング済みのLLMをバックボーンとして利用するオンライン時系列予測フレームワークである。 CoSPOTは時系列を周波数ベースに分解し、振幅に応じて対応するスペクトルベースプロンプトを構成する。実世界のデータセットに関する我々の実験は、挑戦的なオンラインシナリオにまたがるCoSPOTの優位性と実用性を実証している。
参考スコア（独自算出の注目度）: 19.18915302717791
License: http://creativecommons.org/licenses/by/4.0/
Abstract: To address the sequential and evolving nature of time series, the Online Time Series Forecasting (OTSF) task has been extensively studied in multiple domains. Existing research focuses on adapting to non-stationary environments by employing memory buffer-based retrieval strategies. However, we observe that such frameworks struggle with long-term adaptation and fail to generalize to unseen patterns. To this end, we introduce CoSPOT, an LLM-based online time series forecasting framework that leverages a pre-trained LLM as the backbone online forecaster, motivated by its strong few-shot capabilities. For efficient online adaptation, CoSPOT keeps the LLM frozen and employs compositional spectral prompts grounded in frequency-domain bases to guide the model with the overall distribution of the input, thereby substantially reducing the number of parameters updated during the online phase. Specifically, CoSPOT decomposes time series into frequency bases and composes the corresponding spectral basis prompts according to their amplitudes, allowing unseen patterns to be represented as new combinations of learned basis prompts. Our extensive experiments on real-world datasets demonstrate the superiority and practicality of CoSPOT across challenging online scenarios, including extended online phases and cross-dataset settings with substantial distribution shifts. Our code is available at https://github.com/seungyoon-Choi/CoSPOT.
Abstract（参考訳）: 時系列の逐次的かつ進化的な性質に対処するため、オンライン時系列予測(OTSF)タスクは複数のドメインで広く研究されている。既存の研究は、メモリバッファベースの検索戦略を用いて、非定常環境への適応に焦点を当てている。しかし,このようなフレームワークは長期的適応に苦慮し,目に見えないパターンへの一般化に失敗している。この目的のために,LLMをベースとしたオンライン時系列予測フレームワークであるCoSPOTを紹介した。効率的なオンライン適応のために、CoSPOTはLLMを凍結させ、周波数領域ベースに接地した合成スペクトルプロンプトを用いて、入力の全体分布でモデルを導くことにより、オンラインフェーズ中に更新されるパラメータの数を著しく削減する。特に、CoSPOTは時系列を周波数ベースに分解し、振幅に応じて対応するスペクトルベースプロンプトを構成し、未知のパターンを学習ベースプロンプトの新たな組み合わせとして表現できるようにする。実世界のデータセットに関する広範な実験は、オンラインフェーズの拡張や、相当な分散シフトを伴うデータセット間設定など、困難なオンラインシナリオに対するCoSPOTの優位性と実践性を実証しています。私たちのコードはhttps://github.com/seungyoon-Choi/CoSPOT.comで利用可能です。

関連論文リスト

Distribution-Aware Diffusion-LLM for Robust Ultra-Long-Term Time Series Forecasting [8.2867621159451]
時系列予測は基本的な機械学習タスクである。最近の研究は、この目的のために、強力な一般化、パターン認識、ゼロショットまたは少数ショット機能のために、Large Language Models (LLMs)を探索している。 LLMに基づく予測パイプラインに条件付き拡散モデルを統合する新しいフレームワークDiffusion-LLMを提案する。
論文参考訳（メタデータ） (2026-06-22T14:18:28Z)
TimelineReasoner: Advancing Timeline Summarization with Large Reasoning Models [54.737142557469916]
我々は、タイムラインの要約を静的生成からアクティブな推論駆動プロセスに移行するフレームワークであるTimelineReasonerを提案する。タイムラインの精度,カバレッジ,コヒーレンスの観点から,TimelineReasoner は既存の LLM ベースのTLS 手法よりも優れていることを示す。この作業はTLSの境界を推し進めるだけでなく、タイムラインの要約のためのLRMベースの推論フレームワークの幅広い可能性を強調している。
論文参考訳（メタデータ） (2026-04-03T12:30:15Z)
A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
論文参考訳（メタデータ） (2025-10-11T09:59:25Z)
BALM-TSF: Balanced Multimodal Alignment for LLM-Based Time Series Forecasting [5.360725360679271]
BALM-TSFは時系列予測のための軽量フレームワークである。時系列とテキスト埋め込みのバランスを維持する。長期および少数ショットの予測において、最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-08-30T22:31:55Z)
Time-Prompt: Integrated Heterogeneous Prompts for Unlocking LLMs in Time Series Forecasting [13.283980715705693]
時系列予測は、変数間の時間的依存関係を将来の状態推論のためにモデル化することを目的としている。深層学習に基づく手法は目覚ましい進歩を遂げているが, 長期的な予測では, 依然として準最適性能を示している。本稿では,時系列予測のための大規模言語モデルを活性化するフレームワークであるTime-Promptを提案する。
論文参考訳（メタデータ） (2025-06-21T08:22:25Z)
Forecasting Time Series with LLMs via Patch-Based Prompting and Decomposition [48.50019311384125]
我々は、LLMが広範囲のトレーニングを伴わずに時系列予測を行うことのできる、シンプルで柔軟なプロンプトベースの戦略を探求する。我々は,LLMが正確かつ効果的に予測できるPatchInstructを提案する。
論文参考訳（メタデータ） (2025-06-15T19:42:58Z)
LLM-PS: Empowering Large Language Models for Time Series Forecasting with Temporal Patterns and Semantics [56.99021951927683]
Time Series Forecasting (TSF) は、金融計画や健康モニタリングなど、多くの現実世界のドメインにおいて重要である。既存のLarge Language Models (LLM) は通常、時系列データ固有の特性を無視するため、非最適に実行する。時系列データから基本的なtextitPatterns と有意義な textitSemantics を学習し,TLF のための LLM-PS を提案する。
論文参考訳（メタデータ） (2025-03-12T11:45:11Z)
MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
時系列予測は、周波数の異なる周期特性から導かれる。マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
論文参考訳（メタデータ） (2025-03-11T11:40:14Z)
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)
Mitigating Data Redundancy to Revitalize Transformer-based Long-Term Time Series Forecasting System [46.39662315849883]
本稿では,カリキュラム学習とメモリ駆動デコーダによる冗長性を緩和する新しいフレームワークであるCLMFormerを紹介する。 CLMFormerはTransformerベースのモデルを最大30%改善し、長距離予測の有効性を示している。
論文参考訳（メタデータ） (2022-07-16T04:05:15Z)

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。