論文の概要: $t_0$: A Time-Series Foundation Model for Forecasting with Context
- arxiv url: http://arxiv.org/abs/2609.24559v1
- Date: Mon, 21 Sep 2026 13:22:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.300489
- Title: $t_0$: A Time-Series Foundation Model for Forecasting with Context
- Title（参考訳）: $t_0$:Contextで予測するための時系列基礎モデル
- Abstract要約: 私たちは、それぞれ$texttt0-alpha$と$texttt0-beta$を102Mと256Mパラメータとしてリリースします。
GIFT-Evalでは、$texttt0-alpha$は0.4941、$texttt0-beta$は0.4738、MASEは0.6865となる。
fev-benchでは42.2点、46.7点、後半は3点、下位は2.0点となる。
- 参考スコア（独自算出の注目度）: 1.1451927710578278
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present $t_0$, a family of open-weights foundation models for forecasting with multivariate context. We release its first two members: $\texttt{t0-alpha}$ and $\texttt{t0-beta}$, respectively 102M and 256M parameters. Both condition their forecasts on target history, past covariates, and known-future covariates, without task-specific retraining. Their transformer layers alternate attention along time and across variates. They produce probabilistic forecasts through quantile predictions. Pretraining combines curated public data with synthetic generator families constructed to contain covariate-to-target dependencies. On GIFT-Eval, $\texttt{t0-alpha}$ reaches an aggregate CRPS of 0.4941, and $\texttt{t0-beta}$ a CRPS of 0.4738 and a MASE of 0.6865, third on both and within 4.0% of the best zero-shot TSFM. On fev-bench they score 42.2 and 46.7 in skill, the latter third again and 2.0 points behind the leader. We analyze $\texttt{t0-alpha}$ in depth. Known-future covariates raise its skill by 6.3 percentage points across 30 tasks. The report also examines its calibration, its rollout strategy on long horizons, and its robustness to missing data. On the Victoria electricity-demand benchmark, $\texttt{t0-beta}$ is among the most accurate models with a context of nearly a year. In an independent Macrocosm evaluation of hourly ERCOT prices over 29 months, both cut the MAE of the lagged-price baseline by 38%.
- Abstract（参考訳）: 多変量コンテキストで予測するオープンウェイト基盤モデルのファミリである$t_0$を提示する。
最初の2つのメンバをリリースします。 $\textt{t0-alpha}$ と $\textt{t0-beta}$ それぞれ 102M と 256M のパラメータです。
どちらも、タスク固有のトレーニングなしで、ターゲット履歴、過去の共変量、既知の未来共変量に関する予測を条件にしている。
変圧器の層は、時間とともに変動する。
彼らは量的予測を通じて確率的予測を生成する。
プレトレーニングは、キュレートされた公開データと、共変量からターゲットへの依存を含むように構築された合成ジェネレータファミリーを組み合わせる。
GIFT-Evalでは、$\texttt{t0-alpha}$は0.4941の集合CRPS、$\texttt{t0-beta}$は0.4738のCRPS、MASEは0.6865の集合CRPSとなる。
fev-benchでは42.2点、46.7点、後半は3点、下位は2.0点となる。
我々は$\texttt{t0-alpha}$を深さで分析する。
ナチュラル・フューチャー・コヴァリエートは、30のタスクで6.3%のスキル向上を達成している。
また、キャリブレーション、長い地平線でのロールアウト戦略、欠落データに対する堅牢性についても検討している。
Victoriaの電力需要ベンチマークでは、$\texttt{t0-beta}$は、コンテキストが1年近くある最も正確なモデルの一つである。
時間ごとのERCOT価格を29ヶ月以上評価したマクロコスムの独立評価では、どちらもラグ価格ベースラインのMAEを38%削減した。
関連論文リスト
- Cadence: Error-Bounded Lossy Compression of Demand Time Series with a Time-Series Foundation Model [0.0]
Cadenceは、数値時系列のエラーバウンド損失圧縮機である。
330Mシリーズの基礎モデルと適応型算術コーダを組み合わせている。
論文 参考訳（メタデータ） (2026-09-05T10:25:09Z) - Evaluating Generative Time-Series Models on Data with Point Masses [2.5536942228520814]
このようなデータを慎重に評価するとどうなるか報告する。
標準的なローリングオリジンプロトコルは、データセットに似ていない原子構造を持つウィンドウ上でモデルをスコアすることができる。
自己回帰的ハードルは、6つのデータセットのうち5つの条件付きフローを最大133ドルまで上回る。
論文 参考訳（メタデータ） (2026-08-10T14:57:36Z) - Your VLM Already Knows When: Training-Free Temporal Grounding by Asking Yes or No [2.531680975633497]
イベントを確実に認識するマルチモーダルLLMは、いつ発生したかはいまだに言えない。
この失敗はタスクインターフェースに存在し、知覚にはないことを示す。
論文 参考訳（メタデータ） (2026-08-08T19:57:47Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - Time series Foundation Models based on Physics-Informed Synthetic Histories for Cold-Start Photovoltaic Forecasting [45.753923525593045]
評価は4つのデータセットと多様な気候体制にまたがる440ドルのPVサイトに及んでいる。
性能は、合成履歴源にはほとんど敏感であり、精度は特定の発生器よりも、可視的時間的文脈の可用性によってより引き起こされることを示している。
論文 参考訳（メタデータ） (2026-06-05T17:05:19Z) - ChainzRule: Sample-Efficient, Robust Deep Learning Across Tabular, NLP, and Vision Tasks [0.0]
エンタープライズドメイン全体にわたるディープラーニングシステムは、学術ベンチマークが不明瞭な制約の下で運用される。
本稿では、典型的なアクティベーションを微分正規化(DREG)によって制御される学習可能な層に置き換えるニューラルネットワークChainzRule(CR)を提案する。
CRは、ピマ糖尿病で85.71% pm 2.01%$、凍結エンコーダでSST-5の感情分類で46.20% pm 0.37%$、パラメータが3.2Mの完全順序回帰で70.17%$を達成している。
論文 参考訳（メタデータ） (2026-05-23T01:52:50Z) - ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
$textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。
Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
論文 参考訳（メタデータ） (2026-05-11T16:20:51Z) - Frugal Knowledge Graph Construction with Local LLMs: A Zero-Shot Pipeline, Self-Consistency and Wisdom of Artificial Crowds [0.0]
本稿では,知識グラフ構築と活用のためのゼロショットパイプラインの実証的研究について述べる。
外部ベンチマーク(DocRED、HotpotQA)、WebQuestionsSPスタイルの合成データ、RAGAS評価フレームワークを自動パイプラインに統合する。
文書レベルの関係では, ゼロショットで0.70$pm$0.041のF1を達成するのに対し, 教師付きDREEAMでは0.80となる。
論文 参考訳（メタデータ） (2026-04-13T07:20:21Z) - $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。
本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。
V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:41Z) - Policy evaluation from a single path: Multi-step methods, mixing and
mis-specification [45.88067550131531]
無限水平$gamma$-discounted Markov rewardプロセスの値関数の非パラメトリック推定について検討した。
カーネルベースの多段階時間差推定の一般的なファミリーに対して、漸近的でない保証を提供する。
論文 参考訳（メタデータ） (2022-11-07T23:15:25Z)
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。