論文の概要: Interweaving Marginals into Multivariate Sample Paths: Training-Free Dependence Construction for Probabilistic Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2609.25980v1
• Date: Tue, 22 Sep 2026 10:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.320464
• Title: Interweaving Marginals into Multivariate Sample Paths: Training-Free Dependence Construction for Probabilistic Time Series Foundation Models
• Title（参考訳）: マルチ変数サンプルパスへのマージナルのインターウィービング:確率的時系列基礎モデルのためのトレーニング不要依存構築
• Abstract要約: 多変量予測サンプルパスへの冷凍TSFMマーサルの無トレーニング結合について検討した。 筆者らの第一評価では,各チャネルにおける経験的辺縁サンプル多重集合を,メソッド間の水平座標で補正する。 固定パラメータ制約が取り除かれ、パスが直接サンプリングされると、同じパターンが持続する。
• 参考スコア（独自算出の注目度）: 11.795952063361531
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic time series foundation models (TSFMs) provide coordinate-wise predictive distributions, but these marginals do not determine a joint distribution over multivariate future trajectories. We study training-free coupling of frozen TSFM marginals into multivariate forecast sample paths. Our primary evaluation fixes the empirical marginal sample multiset at every channel--horizon coordinate across methods, isolating the effect of coupling alone. Historical temporal and channel relations substantially improve their corresponding dependence diagnostics. The same pattern persists when the fixed-marginal constraint is removed and paths are sampled directly, and remains present under native multivariate backbone inference. These results support treating dependence reconstruction as a distinct post-processing problem for probabilistic TSFMs.
• Abstract（参考訳）: 確率的時系列基礎モデル(TSFM)は座標的に予測的な分布を提供するが、これらの限界は多変量将来の軌道上の結合分布を決定するものではない。 多変量予測サンプルパスへの冷凍TSFMマーサルの無トレーニング結合について検討した。 第一評価では, 各チャネルにおける実験的辺縁標本多重集合を補正し, 結合のみの効果を分離する。 歴史的時間的およびチャネル的関係は、それに対応する依存診断を大幅に改善する。 固定パラメータ制約が取り除かれ、パスが直接サンプリングされると、同じパターンが持続し、ネイティブな多変量バックボーン推論の下に存在する。 これらの結果は、確率的TSFMの処理後問題として、依存再構成の処理を支援する。

関連論文リスト

• Robust Parameter Learning for Uncertain MDPs [55.60489406616378]
  未知のマルコフ決定過程(MDP)を検証するための学習ベースのアプローチは、しばしば不確実なMDPを用いる。 本稿では,パラメータの集合上で遷移確率が表現されるパラメトリックMDP(pMDP)を用いて,そのようなモデルを学習することを提案する。 我々は、経験的遷移周波数からの統計的不確実性をpMDPのパラメータ空間に予測し、基礎となるMDPに対してほぼ正しい(PAC)不確実性モデルを生成する。
  論文  参考訳（メタデータ） (2026-05-02T09:22:05Z)
• Probabilistic Circuits for Irregular Multivariate Time Series Forecasting [10.534258791589314]
  本稿では,確率回路に基づく確率的IMTS予測の新しいアーキテクチャであるCircuITSを提案する。 我々のモデルは、有効な関節分布を構造的に保証しつつ、時系列チャンネル間の複雑な依存関係を捉えるのに柔軟である。
  論文  参考訳（メタデータ） (2026-04-30T12:57:53Z)
• Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
  時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。 TSFMの新しい調停フレームワークであるSynapseを提案する。 その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-07T18:01:51Z)
• Efficiently Generating Correlated Sample Paths from Multi-step Time Series Foundation Models [66.60042743462175]
  時系列基礎モデルから正確な相関サンプルパスを効率的に生成するためのコプラに基づく手法を提案する。 提案手法は, 自己回帰サンプリングよりもはるかに高速に相関したサンプルパスを生成する。
  論文  参考訳（メタデータ） (2025-10-02T17:08:58Z)
• Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
  連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。 本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。 我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
  論文  参考訳（メタデータ） (2024-10-03T09:07:13Z)
• Marginalization Consistent Probabilistic Forecasting of Irregular Time Series via Mixture of Separable flows [4.489135297410294]
  不規則な時系列における目標の連立分布の確率論的予測モデルは、機械学習においてあまり研究されていない分野である。 MOSES(Marginalization Consistent Mixture of Separable Flows)は,複数の潜伏ガウス過程と分離可能なユニ-正規性フローの混合をパラメタライズするモデルである。 4つのデータセットの実験では、MOSESは正確な結合予測と限界予測の両方を達成し、他の余分化の基線を全て上回り、ProFITiをわずかに下回っただけで、余分分布の予測では圧倒的に優れていることが示されている。
  論文  参考訳（メタデータ） (2024-06-11T13:28:43Z)
• U-Mixer: An Unet-Mixer Architecture with Stationarity Correction for Time Series Forecasting [11.55346291812749]
  時系列予測における非定常性は、深い層を通しての安定した特徴伝達を阻害し、特徴分布を妨害し、学習データ分布の変化を複雑化する。 異なるパッチとチャネル間の局所的な時間的依存関係を別々にキャプチャするU-Mixerを提案する。 U-Mixerは最先端(SOTA)法よりも14.5%,7.7%改善している。
  論文  参考訳（メタデータ） (2024-01-04T12:41:40Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Batch Stationary Distribution Estimation [98.18201132095066]
  サンプル遷移の組を与えられたエルゴードマルコフ鎖の定常分布を近似する問題を考える。 与えられたデータに対する補正比関数の復元に基づく一貫した推定器を提案する。
  論文  参考訳（メタデータ） (2020-03-02T09:10:01Z)

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。