論文の概要: When, Not How Much: Evaluating Time-Series Foundation Models on Sparse Events

• arxiv url: http://arxiv.org/abs/2609.39386v1
• Date: Wed, 30 Sep 2026 09:34:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.522328
• Title: When, Not How Much: Evaluating Time-Series Foundation Models on Sparse Events
• Title（参考訳）: When, not much: Evaluating Time-Series Foundation Models on Sparse Events
• Abstract要約: 5つのスパースデータセット上のイベントとゼロの両方を含む予測ウィンドウ内の位置をランク付けします。 12個のTSFMの放出点予測により、トレーニング不要基準よりも平均精度が0.031倍向上した。 イベントの監視により、6つの凍結したバックボーンの線形プローブは、30のバックボーンペアのうち29のバックボーンのポイント予測を改善した。
• 参考スコア（独自算出の注目度）: 1.2031796234206136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pretrained time-series foundation models (TSFMs) are evaluated as forecasters of future values, yet for sparse series many decisions depend only on which future periods contain activity. Standard benchmarks do not assess this. On five sparse datasets, we rank positions within forecast windows that contain both events and zeros. The released point forecasts of 12 TSFMs improve chance-corrected average precision over training-free references by at most 0.031, and in chance-corrected AUC the median TSFM falls below them on every dataset. With event supervision, linear probes of six frozen backbones improve on their backbone's point forecast in 29 of 30 backbone--dataset pairs. Averaging the predicted quantiles instead of taking their median improves the ranking of most TSFMs that forecast the median, and on two datasets the strongest such outputs rival the probes. The probes' advantage over raw-context learners depends on the dataset, and under the same probe, pretrained features outperform randomly initialized ones for five of six backbones. For sparse-event ranking, released point forecasts thus add little over simple references, whereas lightweight event heads on frozen TSFMs rank events better than these forecasts, and the best of them exceed gradient-boosted trees trained on the raw context on three of the five datasets. More broadly, assessing pretrained forecasters on tasks beyond value forecasting requires reporting their outputs, supervised probes of their representations, and raw-context and randomized controls side by side, since each supports a different conclusion.
• Abstract（参考訳）: 事前訓練された時系列基礎モデル(TSFM)は、将来の価値予測モデルとして評価されるが、スパースシリーズでは、多くの決定は、将来の活動期間にのみ依存する。 標準ベンチマークでは、これを評価していない。 5つのスパースデータセットで、イベントとゼロの両方を含む予測ウィンドウ内の位置をランク付けする。 12個のTSFMの放出点予測により、トレーニングなし参照よりも平均精度が0.031以上向上し、AUCでは中央値のTSFMが各データセットより下降する。 イベントの監視により、6つの凍結したバックボーンの線形プローブは、30のバックボーンペアのうち29のバックボーンのポイント予測を改善した。 予測量子化を中央値ではなく平均値にすることで、中央値を予測するほとんどのTSFMのランクが向上し、2つのデータセット上では、そのような出力が最強のプローブに匹敵する。 原文学習者に対するプローブの優位性はデータセットに依存しており、同じプローブの下では、事前訓練された機能は、6つのバックボーンのうち5つにおいてランダムに初期化されたものよりも優れていた。 スパースイベントランキングでは、リリースされたポイント予測は単純な参照をほとんど追加しないが、凍ったTSFMのイベントの軽量なイベントヘッドはこれらの予測よりも優れている。 より広範に、事前訓練された予測器を値予測を超えたタスクで評価するには、出力の報告、表現の監督されたプローブ、生のコンテキストとランダム化制御を並べて行う必要がある。

関連論文リスト

• Beyond Numerical Time Series: A Unified Benchmark for Multimodal Forecasting with Heterogeneous Context [10.330435945681916]
  MUSE-Benchは、異種コンテキストで予測するマルチモーダル時系列の統一ベンチマークである。 8つのドメインと6種類のコンテキストにまたがる14のデータセットで構成されている。
  論文  参考訳（メタデータ） (2026-09-14T06:01:16Z)
• KReF: Training-Free Retrieval for Long-Term Time-Series Forecasting and Predictive Uncertainty [8.44268644654703]
  本研究では,検索履歴をクエリローカルな経験的予測分布として扱う,学習不要な検索フレームワークを提案する。 KReFは統計や凍結したランダムなフーリエ特徴を使って各ルックバックを埋め込んで、同様の過去のルックバックとフューチャーのペアを検索する。 その類似度重みは、予測質量、量子化、CRPS、重み付き平均点予測を直接定義する。
  論文  参考訳（メタデータ） (2026-08-07T03:16:25Z)
• RIDE: An Open Dataset and Benchmark for Train Delay Prediction [1.7793982512455193]
  RIDEは、ベルギーの鉄道網上に全国規模で構築された列車遅延予測のためのオープンデータセットとベンチマークである。 94.5万の列車イベント、3.6万回の旅行、2023年から2025年までの35.7万回の気象記録をカバーしている。 生の鉄道と気象源から、再利用可能な中間関係データセットとモデル対応ベンチマークデータセットの2つのパブリックリリースまでの、階層化されたデータパイプラインとして組織されている。
  論文  参考訳（メタデータ） (2026-06-03T16:29:50Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• ForecastPFN: Synthetically-Trained Zero-Shot Forecasting [16.12148632541671]
  ForecastPFNは、新しい合成データ分布に基づいて純粋に訓練された最初のゼロショット予測モデルである。 ForecastPFNによるゼロショット予測は、最先端の予測手法よりも正確で高速であることを示す。
  論文  参考訳（メタデータ） (2023-11-03T14:17:11Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)

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。