論文の概要: RACE: Residual-Aware Test-Time Adaptation for Neighbor-Rich Time-Series Foundation Model Forecasting

• arxiv url: http://arxiv.org/abs/2610.00405v1
• Date: Wed, 30 Sep 2026 13:14:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.637233
• Title: RACE: Residual-Aware Test-Time Adaptation for Neighbor-Rich Time-Series Foundation Model Forecasting
• Title（参考訳）: RACE: 隣のRich Time-Series Foundationモデル予測のための残留認識テスト時間適応
• Abstract要約: 時系列基礎モデル (TSFM) は, 予測タスク全体にわたって強く機能するが, 系列ごとの推測は近隣のリッチな予測に不適である。 RACE(Residual-Aware Correction of Forecasting Errors, Residual-Aware Correction of Forecasting Errors)は、2段階のフレームワークである。
• 参考スコア（独自算出の注目度）: 77.45682913395635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series foundation models (TSFMs) perform strongly across forecasting tasks, but their per-series inference is ill-suited to neighbor-rich forecasting, where each query has access to related but nonidentical historical series. Continuous glucose monitoring (CGM) and Web/cloud workloads exemplify this setting: CGM trajectories share physiological patterns but vary across individuals, devices, and conditions, while Web/cloud workloads combine common operating regimes with non-stationarity, heavy tails, and bursts. These histories share useful structure, yet neighbors are not equally relevant. Existing methods either fine-tune TSFMs for each target domain, incurring additional costs and offering limited transferability across backbones, or append retrieved series without verifying whether they support the current forecast. The key challenges are conflicting residual evidence from neighboring series and residual patterns that vary across TSFMs and forecasting tasks. We formulate test-time neighborhood scaling: using same-domain neighbor evidence without modifying the backbone. We propose RACE (Residual-Aware Correction of Forecasting Errors), a two-stage framework for using historical neighbors. We first retrieve query-compatible neighbors, align their residuals to the query scale, and aggregate coherent evidence into the training-free RACE-TF correction. Full RACE then uses a lightweight, domain-specific Gate to determine when applying the correction is beneficial, with a reusable training workflow across TSFM backbones. Across four TSFMs, RACE improves all three domain-aggregate metrics on both primary domains, with the largest gains on high-error queries. Within each domain, a Gate trained on one TSFM transfers to other backbones without adaptation, and the resulting pipeline improves all 72 cross-backbone metric comparisons over the matched frozen targets.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は、予測タスク全体にわたって強く機能するが、系列ごとの推論は、各クエリが関連するが識別できない履歴シリーズにアクセス可能な近隣のリッチな予測に不適である。 継続的グルコースモニタリング(CGM)とWeb/クラウドワークロードは、この設定を例示している。 CGMトラジェクトリは生理的パターンを共有するが、個人、デバイス、条件によって異なる。 これらの歴史は有用な構造を共有しているが、隣人は等しく関係がない。 既存の手法では、ターゲットドメインごとにTSFMを微調整し、追加のコストを発生させ、バックボーン間での転送可能性を制限するか、現在の予測をサポートするかどうかを検証せずに検索したシリーズを付加する。 主な課題は、近隣の系列からの残留証拠と、TSFMや予測タスクによって異なる残留パターンとを矛盾させることである。 テスト時間近傍のスケーリングを定式化します: バックボーンを変更することなく、同じドメイン近傍のエビデンスを使用します。 RACE(Residual-Aware Correction of Forecasting Errors, Residual-Aware Correction of Forecasting Errors)は、2段階のフレームワークである。 まず、クエリ互換の隣人を検索し、その残余をクエリ尺度に整列し、一貫性のある証拠をトレーニング不要なRAS-TF補正に集約する。 Full RACEはライトウェイトでドメイン固有のGateを使用して、TSFMバックボーンをまたいだ再利用可能なトレーニングワークフローを使用して、修正の適用が有益かどうかを判断する。 4つのTSFM全体で、RACEは、両方のプライマリドメイン上の3つのドメイン集約メトリクスを改善し、ハイエラークエリで最大の利益を上げている。 各ドメイン内では、1つのTSFM転送でトレーニングされたゲートが適応せずに他のバックボーンに転送され、結果としてパイプラインはマッチした凍結ターゲットに対する72のクロスバックボーンメートル法の比較を改善した。

関連論文リスト

• Prior-Amortized In-Context Bayesian Inference for Generalized Linear Mixed-Effects Models [22.95834831696185]
  metabeta(メタベタ)は、GLMMに対する文脈内ベイズ推論を事前に調整したニューラルネットワークである。 連続、バイナリ、カウント結果にまたがる数百万の現実的なシミュレーションデータセットに基づいてトレーニングされている。 後部は全てのパラメータータイプでNUTSのものと密接に一致している。
  論文  参考訳（メタデータ） (2026-09-21T11:15:02Z)
• Align-RAG: Alignment Is All You Need for TSFM In-Context Learning [10.337956276485642]
  Retrieval-augmented forecasting promise to adapt frozen TSFMs to new domain without fine-tuning。 最近の手法は、検索した例をバックボーンの予測にマージする訓練されたアダプタに依存している。 提案手法は, 過去のウィンドウに対して, 閉形式のペア振幅再スケーリングと整数ラグ位相シフトを適用したトレーニングフリーのAlign-RAGを提案する。
  論文  参考訳（メタデータ） (2026-08-06T03:43:45Z)
• Lightweight Wrappers for Adapting Time Series Foundation Models to Regional Drought Forecasting [26.173260602322383]
  Large emphTime Series Foundation Models (TSFM) は、さまざまなドメインにわたる強力なゼロショット予測機能を示している。 我々は,凍結したTSFMを推論時に強化する軽量なブラックボックス適応フレームワークを提案する。 我々は,南オーストラリア各地におけるSPEI(Standardized Precipitation Evapopiration Index)予測を1カ月前に評価した。
  論文  参考訳（メタデータ） (2026-07-20T03:36:15Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• ASTGI: Adaptive Spatio-Temporal Graph Interactions for Irregular Multivariate Time Series Forecasting [16.98710098925001]
  IMTS固有の不規則区間は、既存の方法に2つの主要な課題をもたらす。 本稿では,これらの課題に対処するための適応時空間グラフインタラクション(ASTGI)フレームワークを提案する。 複数のベンチマークデータセットの実験では、ASTGIが様々な最先端メソッドより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-09-27T14:00:27Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Exogenous Data in Forecasting: FARM -- A New Measure for Relevance Evaluation [62.997667081978825]
  FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。 我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。 第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
  論文  参考訳（メタデータ） (2023-04-21T15:22:33Z)
• Continual Test-Time Domain Adaptation [94.51284735268597]
  テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。 CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-25T11:42:02Z)

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。