論文の概要: Aurora-X: Built for Extreme Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.31038v1
• Date: Fri, 25 Sep 2026 09:32:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.326014
• Title: Aurora-X: Built for Extreme Time Series Forecasting
• Title（参考訳）: Aurora-X:極端に時系列の予測が可能に
• Abstract要約: 時系列基礎モデル(TSFM)はドメイン間予測を可能にするが、その汎用予測モデルとしての開発は、未探索のトレーニングポテンシャルと限定的なアーキテクチャの汎用性によって制約されている。 プログレッシブカリキュラムと統一アーキテクチャを備えた10億ドル規模のTSFMであるAurora-Xを紹介する。
• 参考スコア（独自算出の注目度）: 25.190590303434345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series foundation models (TSFMs) enable cross-domain forecasting, but their development as general-purpose forecasters remains constrained by underexplored training potential and limited architectural versatility. To address these challenges, we introduce Aurora-X, a billion-scale TSFM with a progressive curriculum and a unified architecture. We first use channel-independent pretraining to learn temporal patterns, then introduce cross-variable dependencies, varied context and horizon lengths, and future covariates if available during midtraining. Variable-resolution post-training further enables an adjustable temporal span per token at inference. With fixed model weights, this supports longer histories under a fixed token budget or fewer tokens for the same history, enabling test-time scaling. With a versatile architecture, Aurora-X supports cross-variable modeling, covariate conditioning, and parallel decoding of future patches for probabilistic forecasting. These are supported by a novel pattern-guided mixture-of-experts that expands model capacity through sparse activation and uses shallow patch similarities to constrain deep-layer routing, guiding expert specialization across heterogeneous time series. Furthermore, we propose an implicit quantile network head that predicts arbitrary quantiles to characterize predictive distributions, enhancing probabilistic forecasting flexibility. Comprehensive experiments on GIFT-Eval, TIME, FEV-Bench, TFB, and DAG-Bench demonstrate state-of-the-art forecasting performance against pretrained TSFMs and task-specific supervised models.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)はドメイン間予測を可能にするが、その汎用予測モデルとしての開発は、未探索のトレーニングポテンシャルと限定的なアーキテクチャの汎用性によって制約されている。 これらの課題に対処するために,プログレッシブカリキュラムと統一アーキテクチャを備えた10億ドル規模のTSFMであるAurora-Xを紹介する。 まず、チャネルに依存しない事前学習を用いて時間パターンを学習し、その後、相互変数依存性、状況や地平線の長さ、そして中間トレーニング中に利用可能であれば将来の共変量を導入します。 可変解像度のポストトレーニングにより、推論時のトークン毎の時間スパンの調整が可能になる。 固定モデルの重み付けにより、固定されたトークン予算の下で長い履歴をサポートするか、同じ履歴のトークンが少ないか、テスト時のスケーリングを可能にする。 汎用アーキテクチャでは、Aurora-Xはクロス変数モデリング、共変条件付け、確率予測のための将来のパッチの並列デコードをサポートする。 これらは、スパースアクティベーションを通じてモデルキャパシティを拡大し、浅いパッチ類似性を使用してディープ層ルーティングを制限し、ヘテロジニアス時系列のエキスパートスペシャライゼーションを導く、新しいパターン誘導型ミックス・オブ・エキスパートによって支えられている。 さらに、任意の量子化を予測して予測分布を特徴付ける暗黙的な量子化ネットワークヘッドを提案し、確率予測の柔軟性を向上させる。 GIFT-Eval, TIME, FEV-Bench, TFB, DAG-Benchの総合実験では、事前訓練されたTSFMやタスク固有の教師付きモデルに対して、最先端の予測性能を示す。

関連論文リスト

• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• TiRex: Zero-Shot Forecasting Across Long and Short Horizons with Enhanced In-Context Learning [22.36776941724287]
  文脈内学習は近年,時系列予測に応用されている。 ゼロショット時系列予測の新しいアプローチであるTiRexを紹介する。 TiRexは、HuggingFaceベンチマークのGiftEvalとChronos-ZSで予測するゼロショット時系列で、新しい最先端の技術を設定している。
  論文  参考訳（メタデータ） (2025-05-29T17:52:10Z)
• Battling the Non-stationarity in Time Series Forecasting via Test-time Adaptation [39.7344214193566]
  時系列予測(TSF)に適した先駆的なテスト時間適応フレームワークを提案する。 TSF-TTAに対する提案手法であるTAFASは、事前学習中に学習したコアセマンティック情報を保存しながら、ソース予測器をフレキシブルに適応してテスト分布を継続的にシフトさせる。 部分的に観測された真実とゲートキャリブレーションモジュールの新たな利用により、ソース予測器のプロアクティブ、ロバスト、モデルに依存しない適応が可能となった。
  論文  参考訳（メタデータ） (2025-01-09T04:59:15Z)
• Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [51.01356105618118]
  時系列はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。 既存のアプローチでは、通常、これらのさまざまなパターンをキャプチャするために単一のモデルをトレーニングするが、しばしばパッチ間のパターンのドリフトに苦労する。 より正確で適応可能な時系列予測にパターン特化の専門家を活用する新しいアーキテクチャであるTFPSを提案する。
  論文  参考訳（メタデータ） (2024-10-13T13:35:29Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
  本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。 不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。 我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
  論文  参考訳（メタデータ） (2021-01-31T11:00:55Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Temporal Latent Auto-Encoder: A Method for Probabilistic Multivariate Time Series Forecasting [4.131842516813833]
  時間系列の非線形ファクタリゼーションを可能にする新しい時間的潜時オートエンコーダ法を提案する。 確率的潜時空間モデルにより、入力系列の複雑な分布はデコーダを介してモデル化される。 我々のモデルは、多くの一般的な多変量データセット上で最先端のパフォーマンスを達成し、いくつかの標準メトリクスに対して最大50%のゲインを得られることがある。
  論文  参考訳（メタデータ） (2021-01-25T22:29:40Z)

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。