論文の概要: EXAONE Demand 1.0: A Time Series Foundation Model for Demand Forecasting
- arxiv url: http://arxiv.org/abs/2609.30880v1
- Date: Fri, 25 Sep 2026 06:37:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.259354
- Title: EXAONE Demand 1.0: A Time Series Foundation Model for Demand Forecasting
- Title（参考訳）: EXAONE Demand 1.0: 需要予測のための時系列基盤モデル
- Abstract要約: 本稿では,1)需要特化コーパス,2)需要対応アダプタに基づくEXAONE需要を提案する。
コーパスでは、73ソースから11.3Mシリーズと48.4Bの観測結果を収集し、合成発電機が需要データを提示する振る舞いを提示する。
EXAONEの需要は2種類あり、1つは現実世界と合成需要で、もう1つは合成コーパスだけで訓練されている。
22の保持されたデータセットでは、どちらのバージョンも36のTSFMを上回り、現実の需要は合成データのみよりも多くなります。
- 参考スコア（独自算出の注目度）: 13.359564942661256
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Time series foundation models (TSFMs) are pretrained on series from diverse domains, where demand series make up only a small fraction. Demand data has properties that such corpora rarely contain: Short histories, frequent zeros, censoring by stock-outs, and exogenous events that the series does not record. To this end, we propose EXAONE Demand, built on 1) a demand-specific corpus and 2) a demand-aware adapter. For the corpus, we assemble 11.3M series and 48.4B observations from 73 sources, and a synthetic generator supplies the behaviour that open demand data under-represents. For the adapter, we attach low-rank branches to a frozen general-domain backbone, one for each of the four demand classes (smooth, intermittent, erratic, and lumpy), and a router that reads eight scale-free statistics of the input series decides how much each branch contributes. We build EXAONE Demand in two versions, one trained on real-world and synthetic demand together and one trained on the synthetic corpus alone. On 22 held-out datasets, both versions outperform 36 TSFMs, and real-world demand adds a gain over synthetic data alone.
- Abstract（参考訳）: 時系列基礎モデル(TSFM)は、需要系列がごく少数を占める様々な領域の時系列で事前訓練される。
需要データには、そのようなコーパスがほとんど含まれない性質がある: 短い履歴、頻繁なゼロ、ストックアウトによる検閲、およびシリーズが記録していない外因性事象。
この目的のために構築されたEXAONE需要を提案する。
1) 需要特化コーパス及び
2)需要対応アダプタ。
コーパスでは、73ソースから11.3Mシリーズと48.4Bの観測結果を収集し、合成発電機が需要データを提示する振る舞いを提示する。
アダプタには,冷凍された一般ドメインのバックボーンに低ランクのブランチをアタッチし,各4つの要求クラス(スムース,インターミット,セラティック,ランピー)と,入力系列の8つのスケールフリー統計を読み取り,各ブランチがどの程度寄与するかを決定するルータを配置する。
EXAONEの需要は2種類あり、1つは現実世界と合成需要で、もう1つは合成コーパスだけで訓練されている。
22の保持されたデータセットでは、どちらのバージョンも36のTSFMを上回り、現実の需要は合成データのみよりも多くなります。
関連論文リスト
- How Good Can Linear Models Be for Time-Series Forecasting? [1.558068541168739]
閉形式解と解釈可能な重みを持つので、テストベッドとしてリッジ回帰を用いる。
コンテクスト長,局所正規化,正規化,および8つの標準ベンチマーク上の拡張を探索する。
その結果得られたモデルは、ほとんどのデータセット水平エントリで以前の線形予測器を破り、8つのベンチマークのうち6つのベースラインであるTransformerを上回った。
論文 参考訳（メタデータ） (2026-06-25T16:57:50Z) - Chronicle: A Multimodal Foundation Model for Joint Language and Time Series Understanding [11.063684308771471]
自然言語と時系列をスクラッチから学習したコンパクトな324Mパラメータデコーダのみの変換器であるChronicleについて述べる。
我々の知る限り、Chronicleはテキストと時系列をゼロからトレーニングした最初のモデルであり、両方のドメインで専用の基礎モデルに対して評価された最初のマルチモーダルモデルである。
論文 参考訳（メタデータ） (2026-05-18T21:39:05Z) - Large Language Models Are Bad Dice Players: LLMs Struggle to Generate Random Numbers from Statistical Distributions [50.1404916337174]
大規模言語モデル(LLM)における母国語の確率的サンプリングの大規模,統計的に活用された最初の監査について述べる。
バッチ生成は, ほぼ完全に崩壊する一方, 中央値のパスレートが13%であり, 統計的妥当性はわずかであることがわかった。
現在のLCMには機能的な内部サンプルが欠如しており、統計的保証を必要とするアプリケーションに外部ツールを使う必要があると結論付けている。
論文 参考訳（メタデータ） (2026-01-08T22:33:12Z) - MR$^2$-Bench: Going Beyond Matching to Reasoning in Multimodal Retrieval [86.35779264575154]
マルチモーダル検索は、現代のAIアプリケーションにおいて重要なコンポーネントになりつつあるが、その評価は、より現実的で困難なシナリオの要求に遅れている。
マルチモーダル検索のための推論集約型ベンチマークであるMR$2$-Benchを紹介する。
論文 参考訳（メタデータ） (2025-09-30T15:09:14Z) - APIGen-MT: Agentic Pipeline for Multi-Turn Data Generation via Simulated Agent-Human Interplay [86.01901238059261]
APIGen-MTは検証可能で多様なマルチターンエージェントデータを生成するフレームワークである。
xLAM-2-fc-r 級数で 1B から 70B のパラメータを持つモデル群を訓練する。
我々のモデルは、$tau$-benchとBFCLベンチマークでGPT-4oやClaude 3.5のようなフロンティアモデルより優れている。
論文 参考訳（メタデータ） (2025-04-04T17:13:57Z) - Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - Sequential choice in ordered bundles [1.9561775591923982]
我々は,先行する項目の消費パターンに基づいて,次の項目を順序付きバンドルで消費するという個人の判断を予測できるかどうかを検討する。
Spotifyのデータから、デコーダのみのアーキテクチャを持つカスタムトランスフォーマーが、最も正確な予測を提供します。
以上の結果から,トランスフォーマーは,注文されたバンドルから個人が消費するであろう次のアイテムのキュー作成を支援し,個々のアイテムの需要を予測し,需要を増大させるためにプロモーションをパーソナライズすることができることを示す。
論文 参考訳（メタデータ） (2024-10-29T02:35:21Z) - Towards Foundation Time Series Model: To Synthesize Or Not To
Synthesize? [2.8707270250981094]
本論では,合成データに基づく基礎モデルの学習に有利であるか,限られた実例のみを利用する方がよいか,という課題について考察する。
本実験は,通常の時系列のみを対象として実施し,実時間時系列のみを活用することを優先して述べる。
論文 参考訳（メタデータ） (2024-03-04T23:03:17Z) - FedRA: A Random Allocation Strategy for Federated Tuning to Unleash the
Power of Heterogeneous Clients [50.13097183691517]
実世界のフェデレーションシナリオでは、様々な計算と通信資源を持つ多種多様なクライアントが存在することが多い。
本稿では,新しいフェデレーションチューニングアルゴリズムであるFedRAを提案する。
各通信ラウンドにおいて、FedRAはランダムにアロケーション行列を生成する。
アダプタを用いてアロケーション行列とファインチューンに基づいて、元のモデルから少数のレイヤを再編成する。
論文 参考訳（メタデータ） (2023-11-19T04:43:16Z) - A Deep Structural Model for Analyzing Correlated Multivariate Time
Series [11.009809732645888]
相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。
モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。
我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
論文 参考訳（メタデータ） (2020-01-02T18:48:29Z)
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。