論文の概要: FlowTSFM: Turning Encoder Depth into Quantile Transport

• arxiv url: http://arxiv.org/abs/2609.13640v1
• Date: Sat, 12 Sep 2026 01:29:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.428941
• Title: FlowTSFM: Turning Encoder Depth into Quantile Transport
• Title（参考訳）: FlowTSFM:エンコーダの深さを量子輸送に変換する
• Abstract要約: 本稿では,再帰輸送プロセスとして深度を解釈するエンコーダアーキテクチャであるFlowTSFMを紹介する。 わずか388Mのパラメータで、FlowTSFMはGIFT-EvalとTIMEの競合性能を達成している。 また、CosMeanも導入しています。これは、リカレント更新が最終予測に一貫して一致するかどうかを計測するスケールフリー診断です。
• 参考スコア（独自算出の注目度）: 29.781238027602466
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Encoder-based time series foundation models (TSFMs) typically rely on deep stacks of independently parameterized Transformer layers, where only the final forecast is supervised and intermediate representations have no explicit predictive role. We introduce FlowTSFM, an encoder architecture that interprets depth as a recurrent transport process: a single Transformer block is iteratively applied with shared parameters, while a quantile-flow objective supervises intermediate states along a prescribed trajectory from a prior distribution toward the final forecast. The objective combines pinball forecasting loss with path-level position matching. With only 38.8M parameters, FlowTSFM achieves competitive performance on GIFT-Eval and TIME, remaining within 1.8-4.6% MASE of stronger baselines while using approximately $3\times$ fewer parameters than a 12-layer Chronos-2 model (119.5M). Beyond accuracy, we introduce CosMean, a scale-free diagnostic measuring whether recurrent updates consistently align toward the final prediction. Under a matched intermediate-state probing protocol, FlowTSFM achieves a CosMean score of 0.919 compared with 0.350 for Chronos-2, suggesting that recurrent parameter sharing combined with path supervision is associated with substantially more structured predictive trajectories at a favorable accuracy-efficiency trade-off.
• Abstract（参考訳）: エンコーダベースの時系列基礎モデル (TSFM) は通常、最終的な予測のみが監督され、中間表現が明確な予測的役割を持たない独立したパラメータ化されたトランスフォーマー層の深いスタックに依存している。 本研究では,1つのトランスフォーマーブロックを共用パラメータで繰り返し適用し,1つの量子フローが所定の軌道に沿った中間状態を事前分布から最終予測に向けて監視する,という,再帰的輸送プロセスとして深度を解釈するエンコーダアーキテクチャであるFlowTSFMを紹介する。 目的は、ピンボール予測損失とパスレベルの位置マッチングを組み合わせることである。 わずか38.8Mのパラメータだけで、FlowTSFMはGIFT-EvalとTIMEの競合性能を達成し、1.8-4.6%のベースラインのMASEに留まり、12層のChronos-2モデル(119.5M)よりも約3\times$少ないパラメータを使用する。 CosMeanは、リカレント更新が最終予測に一貫して一致するかどうかを計測する、スケールフリーな診断手法である。 一致した中間状態探索プロトコルの下では、FlowTSFMはChronos-2の0.919のCosMeanスコアと0.350のChronos-2の0.350のスコアを達成し、経路の監視と組み合わせた繰り返しパラメータ共有は、良好な精度と効率のトレードオフで、より構造化された予測軌道と関連していることを示唆している。

関連論文リスト

• Conditional Flow Matching for ML-Based Inverse Design Problems [0.0]
  条件流マッチング(CFM)は条件拡散モデルと条件生成逆ネットワーク(cGAN)と比較される CFMは、両方のベースラインよりも測定値のCOGが低く、拡散よりもネットワーク評価が少ない温暖なスタートを生成する。
  論文  参考訳（メタデータ） (2026-09-01T08:00:33Z)
• BayesSeg: A Bayesian Optimization Framework for State Segmentation of Electricity Consumption Time Series [3.3483950365040855]
  BayesSegは時系列セグメンテーション、多次元評価、自動パラメータ最適化を統合した統合フレームワークである。 このフレームワークは、重み付き合成スコア0.7149、イベント_F10.9340を達成し、最適化のレイテンシを5300秒から1秒以下に短縮する。
  論文  参考訳（メタデータ） (2026-08-01T08:22:49Z)
• FlowCTS: On-policy Continuous Trajectory Supervision of Flow Models [65.32587991232592]
  フロー連続軌道スーパービジョン(FlowCTS)を提案する。 FlowCTSは、同じ学生訪問状態の学生と参照軌跡とを一致させる。 マルチ参照設定では、単一状態のFlowCTS-OPDはバニラKLベースのOPDよりも高速な収束で性能が向上する。
  論文  参考訳（メタデータ） (2026-07-27T15:03:22Z)
• Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
  フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
  論文  参考訳（メタデータ） (2026-05-15T16:11:10Z)
• N-vium: Mixture-of-Exits Transformer for Accelerated Exact Generation [68.47358899451255]
  N-vium (N-vium) は、標準ハードウェア上での計算を部分的に並列化する変圧器である。 N-Viumは複数の深さで予測ヘッドを付加し、次のトーケン分布をこれらの出口上の学習混合物として定義する。
  論文  参考訳（メタデータ） (2026-05-13T08:46:17Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
  CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。 ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
  論文  参考訳（メタデータ） (2026-02-16T13:53:23Z)
• FRIREN: Beyond Trajectories -- A Spectral Lens on Time [1.5939955861266883]
  長期時系列予測モデルは、ドメインにまたがって適用可能な汎用的なソリューションとしてしばしば提示される。 幾何学的構造は動的に依存しない基礎モデルの正しい抽象化であると主張する。 現代の生成フローと古典的なスペクトル分析を結びつけることで、FRIRENは正確かつ解釈可能な長期的な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:52:13Z)
• EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
  我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
  論文  参考訳（メタデータ） (2025-03-31T18:10:08Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)

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。