論文の概要: Time-Series Foundation Models That Understand Data Revisions

• arxiv url: http://arxiv.org/abs/2609.28576v1
• Date: Wed, 23 Sep 2026 12:29:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.415476
• Title: Time-Series Foundation Models That Understand Data Revisions
• Title（参考訳）: データリビジョンを理解する時系列基礎モデル
• Abstract要約: VINTAGE-TSは時系列基礎モデルのリビジョン対応である。 そのターゲットは、次の期間の最初の発行された価値であり、その発表の数日後に利用可能な価値である。 ALFREDに基づくローリング評価,一致したクロノス2の比較,従来およびリビジョン対応ベースライン,事前学習重複の個別監査を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Historical observations are not always fixed: statistical agencies revise previously published values as new evidence arrives. Forecasting from a contemporary download can therefore expose a model to information unavailable at the date it purportedly made a prediction. We propose VINTAGE-TS, a revision-aware adaptation of a time-series foundation model that distinguishes observation time from information-availability time. Its targets are the next period's first-published value and the value available a fixed number of days after that publication; neither is declared final truth. A joint predictive distribution preserves dependence between these targets and exposes uncertainty about their difference. We specify an ALFRED-based rolling evaluation, a matched Chronos-2 comparison, conventional and revision-aware baselines, and a separate audit of pretraining overlap. The accompanying software implements validity-interval reconstruction, delayed-label filtering, a frozen-backbone adapter interface, and reproducible diagnostics. An executed synthetic demonstration and a 25-configuration sensitivity suite verify the workflow, expose variation across seeds and revision regimes, and illustrate how hindsight contamination changes measured performance. Thirty one automated tests check temporal and integration contracts. Real ALFRED and Chronos-2 experiments have not been executed; no empirical foundation-model advantage is claimed.
• Abstract（参考訳）: 統計機関は、新しい証拠が到着するにつれて、以前に公表された価値を見直している。 したがって、同時代のダウンロードからの予測は、予測された日に利用できない情報にモデルを公開することができる。 VINTAGE-TSは,観測時間と情報提供時間とを区別する時系列基盤モデルの改訂型である。 その目標は次の期間の最初の発行された価値であり、その発行から数日後に利用可能な価値であり、どちらも最終真理ではない。 共同予測分布はこれらの目標間の依存を保ち、それらの差について不確実性を明らかにする。 ALFREDに基づくローリング評価,一致したクロノス2の比較,従来およびリビジョン対応ベースライン,事前学習重複の個別監査を行う。 付属するソフトウェアは、有効間隔再構成、遅延ラベルフィルタリング、冷凍バックボーンアダプタインタフェース、再現可能な診断を実装している。 実行された合成デモと25-configuration sensitivity Suiteはワークフローを検証し、種やリビジョンレシエーションの変動を明らかにし、後発汚染が測定されたパフォーマンスをどのように変化させるかを説明する。 30の自動テストが時間と統合の契約をチェックします。 実際のALFREDとChronos-2の実験は行われていない。

関連論文リスト

• Tracing the Evidence Behind Zero-Shot Time-Series Forecasting: A Source-First Taxonomy and Audit Framework [11.9765974588798]
  ゼロショット時系列予測(Zero-shot Time-Series forecasting, TSF)は、ターゲット固有のパラメータを更新せずに予測される。 したがって、ゼロショット TSF はエビデンス・アクセシビリティー・クレームとして管理されるべきである。
  論文  参考訳（メタデータ） (2026-09-18T07:38:58Z)
• Impermanent: A Live Benchmark for Temporal Generalization in Time Series Forecasting [8.050703449557028]
  Impermanentは、オープンワールドの時間的変化の下で予測モデルを評価するライブベンチマークである。 私たちは、スター数によるトップ400リポジトリにフォーカスし、イシューのオープン、プルリクエストのオープン、プッシュイベント、新しいスターゲイザーから時系列を構築します。 静的な精度から持続的な性能へ評価をシフトさせることにより、Imbermanentは、時系列予測における基礎レベルの一般化が有意義に主張できるかどうかを評価するための具体的な一歩を踏み出す。
  論文  参考訳（メタデータ） (2026-03-09T17:59:00Z)
• Forecasting Anomaly Precursors via Uncertainty-Aware Time-Series Ensembles [9.53248032827498]
  FATE(Forecasting Anomalies with Time-Series Ensembles)を提案する。 FATEは将来の値を予測し、アンサンブルの不一致を利用して、推論時にターゲット値にアクセスすることなく、潜在的な異常の早期兆候を示す。 5つの実世界のベンチマークデータセットの実験により、FATEはPTaPR AUCの19.9ポイント、早期検出のF1スコアの20.02ポイントの平均的な改善を達成している。
  論文  参考訳（メタデータ） (2026-02-19T02:48:09Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• DOTA: Distributional Test-Time Adaptation of Vision-Language Models [69.41389326333771]
  トレーニングデータとテストデータの間に大きな分散ギャップが存在する場合、視覚言語の基礎モデルは信頼できない。 本稿では,DOTA(DistributiOnal Test-time Adaptation)を提案する。 この分散中心のアプローチは、モデルが継続的に学習し、デプロイメント環境に適応することを可能にする。
  論文  参考訳（メタデータ） (2024-09-28T15:03:28Z)
• PATE: Proximity-Aware Time series anomaly Evaluation [3.0377067713090633]
  従来のパフォーマンスメトリクスは、IDデータを仮定し、複雑な時間的ダイナミクスと時系列異常の特定の特性をキャプチャできない。 本稿では、予測と異常区間の時間的関係を組み込んだ新しい評価指標であるPATE(Proximity-Aware Time series anomaly Evaluation)を紹介する。 合成および実世界のデータセットを用いた実験は、より合理的で正確な評価を提供する上で、PATEの優位性を示している。
  論文  参考訳（メタデータ） (2024-05-20T15:06:36Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)

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。