論文の概要: Beyond Numerical Time Series: A Unified Benchmark for Multimodal Forecasting with Heterogeneous Context

• arxiv url: http://arxiv.org/abs/2609.15087v1
• Date: Mon, 14 Sep 2026 06:01:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.114229
• Title: Beyond Numerical Time Series: A Unified Benchmark for Multimodal Forecasting with Heterogeneous Context
• Title（参考訳）: 数値時系列を超えて:不均一なコンテキストによるマルチモーダル予測のための統一ベンチマーク
• Abstract要約: MUSE-Benchは、異種コンテキストで予測するマルチモーダル時系列の統一ベンチマークである。 8つのドメインと6種類のコンテキストにまたがる14のデータセットで構成されている。
• 参考スコア（独自算出の注目度）: 10.330435945681916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most time series forecasting benchmarks remain numerical-centric and provide limited support for evaluating contextual information that shapes real-world temporal dynamics. Existing multimodal benchmarks also suffer from limited data and context coverage, fragmented evaluation settings, and overreliance on aggregate evaluation. In this paper, we propose \textbf{MUSE-Bench}, a unified benchmark for multimodal time series forecasting with heterogeneous context. It comprises fourteen datasets across eight domains and six types of context: metadata, events, holidays, news, images, and numerical covariates. We evaluate diverse forecasting paradigms, including statistical, data-specific, foundation, multimodal, and general-purpose LLM forecasting methods under shared non-overlapping forecast windows, common target observations, and consistent point and probabilistic metrics. Extensive experiments yield three main findings. First, numerical time series foundation models dominate the overall ranking, while Aurora, the evaluated multimodal foundation model, trails the leading numerical TSFMs but outperforms all evaluated data-specific models. Second, ablations show that external context improves the four evaluated context-aware models, whereas incorrect or temporally misaligned context degrades performance. Third, general-purpose LLMs perform poorly as direct forecasters, and LLM-guided refinement does not yield consistent improvements. MUSE-Bench enables systematic evaluation of how forecasting models utilize context and provides a foundation for future multimodal forecasting research.
• Abstract（参考訳）: ほとんどの時系列予測ベンチマークは数値中心のままであり、実世界の時間力学を形作る文脈情報を評価するための限定的なサポートを提供する。 既存のマルチモーダルベンチマークは、制限されたデータとコンテキストカバレッジ、断片化された評価設定、集約評価への過度な依存にも悩まされている。 本稿では、異種コンテキストで予測するマルチモーダル時系列の統一ベンチマークである「textbf{MUSE-Bench}」を提案する。 8つのドメインにわたる14のデータセットと、メタデータ、イベント、ホリデー、ニュース、画像、数値共変量という6種類のコンテキストで構成されている。 我々は,共有非重なりの予測ウィンドウ,共通目標観測,一貫した点と確率的指標の下で,統計的,データ固有,基礎,マルチモーダル,汎用LLM予測手法を含む多様な予測パラダイムを評価した。 大規模な実験は3つの主要な発見をもたらす。 評価されたマルチモーダル基礎モデルであるオーロラは、主要な数値TSFMを追随するが、すべての評価されたデータ固有モデルを上回っている。 第2に、外部コンテキストは4つの評価されたコンテキスト認識モデルを改善するが、誤りまたは時間的に不一致なコンテキストは性能を低下させる。 第3に、汎用LLMは直接予測器として性能が悪く、LCM誘導改良では一貫した改善が得られない。 MUSE-Benchは、予測モデルがどのようにコンテキストを利用するかの体系的な評価を可能にし、将来のマルチモーダル予測研究の基礎を提供する。

関連論文リスト

• Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
  時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
  論文  参考訳（メタデータ） (2026-05-14T05:12:13Z)
• 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)
• What If TSF: A Benchmark for Reframing Forecasting as Scenario-Guided Multimodal Forecasting [8.593646221015264]
  TSF(WIT)は、モデルが文脈テキストで予測を条件付けできるかどうかを評価するためのベンチマークである。 WITはシナリオ誘導型マルチモーダル予測のための厳格なテストベッドを提供する。
  論文  参考訳（メタデータ） (2026-01-13T12:47:43Z)
• Time Series Foundation Models: Benchmarking Challenges and Requirements [0.0]
  時系列基礎モデル(TSFM)は、時系列予測の新しいパラダイムである。 TSFMの評価は、より広範なトレーニングセットと同様に、整合性ベンチマークデータの確保がより困難になるため、難しい。
  論文  参考訳（メタデータ） (2025-10-15T15:15:45Z)
• 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)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• ModelRadar: Aspect-based Forecast Evaluation [0.393259574660092]
  予測モデルの評価と比較の現在のプラクティスは、パフォーマンスを1つのスコアにまとめることに重点を置いています。 この制限は、平均的な複数のレイヤ – データセット内の時間ステップ、地平線、および複数の時系列 – が関連するパフォーマンスの変動を隠蔽する、時系列予測において特に問題となる。 定常性,異常の有無,地平線予測など,多面にわたる一変量時系列予測モデルを評価するためのフレームワークであるModelRadarを提案する。
  論文  参考訳（メタデータ） (2025-03-31T11:50:45Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• MECATS: Mixture-of-Experts for Quantile Forecasts of Aggregated Time Series [11.826510794042548]
  我々はtexttMECATS という異種の専門家フレームワークを混合して導入する。 集約階層を通じて関連付けられた時系列の集合の値を同時に予測する。 異なる種類の予測モデルを個別の専門家として使用することで、各モデルの形式を対応する時系列の性質に合わせて調整することができる。
  論文  参考訳（メタデータ） (2021-12-22T05:05:30Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)

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。