論文の概要: TimeBraid: Unifying Time Series and Language for Understanding and Forecasting

• arxiv url: http://arxiv.org/abs/2609.29792v1
• Date: Thu, 24 Sep 2026 13:30:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.954869
• Title: TimeBraid: Unifying Time Series and Language for Understanding and Forecasting
• Title（参考訳）: TimeBraid: 時系列と言語の統合による理解と予測
• Abstract要約: TimeBraidは一連の統合された時系列と言語モデルである。 各モデルは、一方から知識、指示、推論を継承し、他方から連続的な信号認識とゼロショット予測を行う。 得られたレシピは、多様な時系列とテキストタスクの統一的なプロンプトスキーム、安定した共同トレーニング、および2.2Mのキュレートされたシリーズテキストペアと4.9Mのインストラクションチューニングサンプルの監督を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 47.87834477655974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present TimeBraid, a series of unified time-series and language models that align pretrained language models and pretrained time-series foundation models through interleaved global residual attention layers. Each model inherits knowledge, instruction following, and reasoning from one side, continuous-signal perception and zero-shot forecasting from the other, and fuses the two in a shared representation space where both modalities are understood and generated. We study the design choices that make such unified modeling work: where to align the two representation spaces, how to ground language in temporal structure, how to balance understanding with generation, and how to keep joint optimization stable. The resulting recipe combines a unified prompting scheme for diverse time-series and text tasks, stabilized joint training, and supervision from 2.2M curated series--text pairs and 4.9M instruction-tuning samples. Across benchmarks spanning time-series perception, understanding, reasoning, and both context-aided and unimodal forecasting, TimeBraid remains competitive with far larger general-purpose models and task-specific counterparts.
• Abstract（参考訳）: 我々は、事前学習された言語モデルと事前学習された時系列基礎モデルとを、インターリーブされたグローバルな残留注意層を通して整列する、一連の統合された時系列および言語モデルであるTimeBraidを提示する。 各モデルは、一方から知識、指示、推論を継承し、他方から連続信号知覚とゼロショット予測を行い、両方のモダリティが理解され、生成される共有表現空間に融合する。 2つの表現空間の整合性、時間構造における言語基底の仕方、生成との理解のバランス、共同最適化の安定維持方法など、統一的なモデリング作業を行う設計選択について検討する。 得られたレシピは、多様な時系列とテキストタスクの統一的なプロンプトスキーム、安定した共同トレーニング、および2.2Mのキュレートされたシリーズテキストペアと4.9Mのインストラクションチューニングサンプルの監督を組み合わせたものである。 TimeBraidは、時系列の知覚、理解、推論、文脈支援と非モーダル予測の両方にまたがるベンチマークを通じて、はるかに大きな汎用モデルやタスク固有のモデルと競合し続けている。

関連論文リスト

• TimeOmni-VL: Unified Models for Time Series Understanding and Generation [66.55423802406078]
  Time Omni-VLは、時系列の理解と生成を統合するビジョン中心のフレームワークである。 Time Omni-VLは、高忠実度生成のための明示的な制御信号として時系列理解を利用する最初の方法である。 実験により、この統一されたアプローチは意味的理解と数値的精度の両方を著しく改善することを確認した。
  論文  参考訳（メタデータ） (2026-02-19T07:50:11Z)
• TimeSense:Making Large Language Models Proficient in Time-Series Analysis [26.44226032396234]
  時系列領域では、テキストと時間データを組み合わせて大規模な言語モデルの推論能力を活用する作業が増えている。 テキスト推論と時間的感覚のバランスをとることで,LLMを時系列解析に熟練させるフレームワークであるTimeSenseを提案する。 TimeSenseは複数のタスクにまたがる最先端のパフォーマンスを実現し、特に複雑な多次元時系列推論タスクにおいて既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-11-09T12:00:18Z)
• CC-Time: Cross-Model and Cross-Modality Time Series Forecasting [24.3769011945143]
  時系列予測のためのPLMを用いたクロスモデル・クロスモーダル学習(CC-Time)を提案する。 第1の側面では、CC-Timeは、時系列シーケンスと対応するテキスト記述の両方から、言語モデルにおける時間的依存とチャネル相関をモデル化するために、相互モダリティ学習を取り入れている。 第2の側面では、CC-Timeはさらに、PLMと時系列モデルからの知識を適応的に統合し、より包括的な時系列パターンのモデリングを形成するクロスモデル融合ブロックを提案する。
  論文  参考訳（メタデータ） (2025-08-17T04:31:23Z)
• DP-GPT4MTS: Dual-Prompt Large Language Model for Textual-Numerical Time Series Forecasting [2.359557447960552]
  本稿ではDP-GPT4MTS(Dual-Prompt GPT2-base for Multimodal Time Series)を紹介する。 明確なタスク命令の明示的なプロンプトと、タイムスタンプされたデータからのコンテキスト認識の埋め込みのテキストプロンプトの2つの補完的なプロンプトを組み合わせる。 多様なテクスチュラル・数値時系列データセットを用いて行った実験は、この手法が時系列予測において最先端のアルゴリズムより優れていることを示した。
  論文  参考訳（メタデータ） (2025-08-06T09:25:05Z)
• 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)
• TimesBERT: A BERT-Style Foundation Model for Time Series Understanding [72.64824086839631]
  GPTスタイルのモデルは時系列予測の基礎モデルとして位置づけられている。 BERTスタイルのアーキテクチャは時系列理解のために完全にアンロックされていない。 時系列の汎用表現を学ぶために TimesBERT を設計する。 私たちのモデルは、さまざまなドメインにまたがる2600億のタイムポイントで事前トレーニングされています。
  論文  参考訳（メタデータ） (2025-02-28T17:14:44Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)

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。