論文の概要: Instance-Adaptive Prompts as Context for Time-Series Foundation Models

• arxiv url: http://arxiv.org/abs/2609.34786v1
• Date: Mon, 28 Sep 2026 09:58:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 02:52:44.54051
• Title: Instance-Adaptive Prompts as Context for Time-Series Foundation Models
• Title（参考訳）: 時系列基礎モデルのコンテキストとしてのインスタンス適応型プロンプト
• Abstract要約: 本稿では,可視的コンテキストに条件付き連続埋め込みトークンの形で,インスタンス適応型潜在プロンプトの小さなセットを生成するPaCTSを紹介する。 PaCTSは、それらをインスタンス固有のグローバル統計から構築し、セグメントレベルの時間情報でさらに洗練する。 実験では、コンテキストとしてプロンプトの有効性を示し、コンテキストの長さとモデルアーキテクチャの予測を一貫して改善する。
• 参考スコア（独自算出の注目度）: 32.497917761857124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Longer histories can improve time-series foundation models (TSFMs), but require substantially higher inference cost. We therefore ask whether contextual information can be provided more efficiently through a compact set of learned token embeddings. We introduce PaCTS, which generates a small set of instance-adaptive latent prompts in the form of continuous embedding tokens conditioned on the visible context. These prompts serve as compact context surrogates for frozen TSFMs. PaCTS constructs them from instance-specific global statistics and further refines them with segment-level temporal information, capturing both global characteristics and local temporal variations. The prompt module is jointly trained and deployed across heterogeneous time series with the frozen backbone. Extensive experiments demonstrate the effectiveness of prompts as context, consistently improving forecasting across context lengths and model architectures. With a shorter input context, PaCTS can outperform the same frozen backbone using double context while requiring substantially less inference computation. Compared with weight-space adaptation methods, PaCTS achieves stronger improvements and better out-of-distribution generalization.
• Abstract（参考訳）: より長い歴史は時系列基礎モデル(TSFM)を改善することができるが、かなり高い推論コストを必要とする。 そこで我々は,学習トークンの埋め込みをコンパクトにすることで,文脈情報をより効率的に提供できるかどうかを問う。 本稿では,可視的コンテキストに条件付き連続埋め込みトークンの形で,インスタンス適応型潜在プロンプトの小さなセットを生成するPaCTSを紹介する。 これらのプロンプトは、凍ったTSFMのコンパクトなコンテキストサロゲートとして機能する。 PaCTSは、それらをインスタンス固有のグローバル統計から構築し、さらにセグメントレベルの時間情報で洗練し、グローバル特性と局所時間変動の両方をキャプチャする。 プロンプトモジュールは共同でトレーニングされ、凍結したバックボーンと共に異種時系列に展開される。 広範囲にわたる実験は、コンテキストとしてのプロンプトの有効性を示し、コンテキストの長さとモデルアーキテクチャの予測を一貫して改善する。 短い入力コンテキストで、PaCTSは2つのコンテキストを使用して同じ凍結バックボーンよりもはるかに少ない推論計算を必要とする。 重み空間適応法と比較して、PaCTSはより強化され、分布外一般化が向上する。

関連論文リスト

• Parameter-Efficient Adaptation of Pretrained Language Models for Time-Series Forecasting [2.141079906482723]
  我々は,事前訓練したGPT-2バックボーンの埋め込み空間に直接,固定長の時系列パッチを投影する。 我々は, (i) 表現戦略 (連続埋め込みとテキストシリアライゼーション) , (ii) 適応体制 (部分的あるいは完全微調整) および (iv) 入力コンテキスト長の影響を解析した。
  論文  参考訳（メタデータ） (2026-09-14T10:30:59Z)
• DynT2I-Eval: A Dynamic Evaluation Framework for Text-to-Image Models [78.62380562116135]
  テキスト・トゥ・イメージ(T2I)モデルのための完全に自動化された動的評価フレームワークであるDynT2I-Evalを提案する。 長い形式の記述から構造化された視覚意味空間を構築し、プロンプトを制御可能な次元に分解する。 DynT2I-Evalは、テキストアライメント、知覚品質、美学のモデル性能を評価する。
  論文  参考訳（メタデータ） (2026-05-07T12:53:51Z)
• Enhancing Temporal Awareness in LLMs for Temporal Point Processes [53.596733432865626]
  時間的ポイントプロセス(TPP)は、時間とともにイベントを分析するのに不可欠である。 TPP-TALは、大規模な言語モデルにおける時間的推論を強化するために設計された新しいプラグイン・アンド・プレイフレームワークである。 TPP-TALは時間的確率推定と事象予測精度を大幅に改善した。
  論文  参考訳（メタデータ） (2025-12-29T03:01:24Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• STaTS: Structure-Aware Temporal Sequence Summarization via Statistical Window Merging [7.085954928597584]
  時系列データは、しばしば遅延時間構造、局所定常状態間の遷移、繰り返しモチーフ、変動のバーストを含む。 本稿では,Structure-Aware Temporal Summarizationのための軽量で教師なしのフレームワークSTaTSを提案する。
  論文  参考訳（メタデータ） (2025-10-10T17:51:47Z)
• PICASO: Permutation-Invariant Context Composition with State Space Models [98.91198288025117]
  State Space Models (SSM) は、コンテキストのデータベースを固定次元の状態にマッピング可能にすることで、有望なソリューションを提供する。 本研究では,SSM力学から導かれる単純な数学的関係を,生のコンテキストトークンの連結効果を効率的に近似する複数の状態に構成する。 我々は,WikiText と MSMARCO をゼロショットと微調整の両方で評価し,平均5.4倍のスピードアップを楽しみながら最強の演奏ベースラインと一致できることを示す。
  論文  参考訳（メタデータ） (2025-02-24T19:48:00Z)
• WinTSR: A Windowed Temporal Saliency Rescaling Method for Interpreting Time Series Deep Learning Models [0.51795041186793]
  我々は、新しい解釈方法、textitWindowed Temporal Saliency Rescaling(WinTSR)を導入する。 我々は、異なるアーキテクチャの5つの最先端ディープラーニングモデルを用いて、WinTSRを10の最近の解釈手法と比較した。 総括分析の結果,WinTSRは他の局所解釈手法よりも性能が優れていた。
  論文  参考訳（メタデータ） (2024-12-05T17:15:07Z)
• Analyzing Temporal Complex Events with Large Language Models? A Benchmark towards Temporal, Long Context Understanding [57.62275091656578]
  時間的複合イベント(TCE)として、長い期間にわたって多くのニュース記事から構成される複合イベントについて述べる。 本稿では,Large Language Models (LLMs) を用いて,TCE内のイベントチェーンを系統的に抽出し,解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:42:17Z)
• Time-Series Representation Learning via Temporal and Contextual Contrasting [14.688033556422337]
  時間・文脈コントラスト(TS-TCC)を用いた教師なし時系列表現学習フレームワークを提案する。 第一に、生の時系列データは、弱い、強い拡張を用いて、2つの異なる相関するビューに変換される。 第2に,厳密な横断的予測タスクを設計することにより,頑健な時間的表現を学習するための新しい時間的コントラストモジュールを提案する。 第三に、識別的表現をさらに学習するために、時間的コントラストモジュールからコンテキスト上に構築された文脈的コントラストモジュールを提案する。
  論文  参考訳（メタデータ） (2021-06-26T23:56:31Z)

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。