論文の概要: Foundations without Fundamentals: Zero-Shot Blind Spots in Time Series FMs

• arxiv url: http://arxiv.org/abs/2610.02058v1
• Date: Thu, 01 Oct 2026 17:02:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.31802
• Title: Foundations without Fundamentals: Zero-Shot Blind Spots in Time Series FMs
• Title（参考訳）: 基礎のない財団:時系列FMのゼロショットブラインドスポット
• Abstract要約: 単調な傾向や周期的な信号といったプリミティブのためのスイートであるSimpleTimeBenchを紹介する。 その結果,多変量TSFM(Chronos-2,Moirai,Toto)は,これらの入力に対して最適なゼロショット予測を頻繁に生成することがわかった。 これは、事前学習スケールと基本的な時間的推論のギャップを明らかにし、現在のTSFMは単純な予測可能な関数を捉えるのに必要な帰納バイアスを欠く可能性があることを示唆している。
• 参考スコア（独自算出の注目度）: 4.098267214903372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the success of Time Series Foundation Models (TSFMs) on broad benchmarks, their ability to internalize basic temporal logic, especially in settings supported by exogenous covariates, remains under-examined. We introduce SimpleTimeBench, a diagnostic univariate and multivariate "unit test" suite for primitives such as monotonic trends, periodic signals and leading indicator covariates, scenarios where near-perfect forecasts should be trivial. Surprisingly, prominent multivariate TSFMs (Chronos-2, Moirai and Toto) frequently produce suboptimal zero-shot forecasts for these inputs. While fine-tuning Chronos-2 improves its behaviour on specific tasks, we show that this adaptation degrades performance on other fundamental patterns rather than enhancing its generalizable foundational capabilities. This reveals a gap between pre-training scale and basic temporal reasoning, suggesting that current TSFMs could potentially lack the inductive biases needed to capture simple predictable functions. We further demonstrate that these failures are not merely synthetic curiosities: they persist in real-world sensor forecasting, where TSFMs consistently underutilize leading indicators available in observed covariates. This inability to capture simple relationships limits the practical utility and reliability of current multivariate models.
• Abstract（参考訳）: 広範囲のベンチマークで Time Series Foundation Models (TSFMs) が成功したにも拘わらず、基本的な時間論理、特に外因性共変量によってサポートされた設定を内部化できる能力は、まだ過小評価されていない。 単調な傾向や周期的な信号,先行指標の共変といったプリミティブのための,診断用単変量および多変量"ユニットテスト"スイートであるSimpleTimeBenchを紹介した。 驚くべきことに、顕著な多変量TSFM(クロノス-2、モイライ、トト)はこれらの入力に対して最適なゼロショット予測をしばしば生成する。 微調整のChronos-2は、特定のタスクにおける動作を改善するが、この適応は、その一般化可能な基礎能力を向上するのではなく、他の基本パターンの性能を低下させることを示す。 このことは、事前学習スケールと基本的な時間的推論のギャップを明らかにし、現在のTSFMは単純な予測可能な関数を捉えるのに必要な帰納的バイアスを欠く可能性があることを示唆している。 さらに、これらの失敗は単なる人工的好奇性ではなく、実世界のセンサー予測に留まり、TSFMは観測された共変量で利用可能な主要な指標を一貫して非活用している。 この単純な関係を捉えることができないことは、現在の多変量モデルの実用性と信頼性を制限している。

関連論文リスト

• Rethinking Irregular Time Series Forecasting from the Perspective of Basis Functions [5.832761082585815]
  本稿では,未来のダイナミクスを正確に予測するためのデバイアスドニューラルネットワーク(DNBNet)を提案する。 その中核は、重大サンプリングによってバイアスを補正する神経基盤機能応答機構である。 さらに、不規則データの空間性を考慮すると、我々は新しいマルチスケール分解モジュールを設計する。
  論文  参考訳（メタデータ） (2026-08-18T02:27:16Z)
• Exploring Zero-Shot Foundation Models for Multivariate Time Series Anomaly Detection [4.468174618435543]
  MTSADは、産業プロセス監視や金融リスク管理といった分野における信頼性と安全性に不可欠である。 ファンデーションモデル(FM)は、強いゼロショットの一般化を伴う幅広いデータに基づいて事前訓練される。 安全水処理 (SWaT) ベンチマークにおいて, FM の産業用 MTSAD へのゼロショット適用について検討した。
  論文  参考訳（メタデータ） (2026-07-14T07:32:08Z)
• Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
  時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
  論文  参考訳（メタデータ） (2026-05-14T05:12:13Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• Real-Time Proactive Anomaly Detection via Forward and Backward Forecast Modeling [0.0]
  本稿では,前向き予測モデル (FFM) と後向き再構成モデル (BRM) の2つの前向きな異常検出フレームワークを紹介する。 FFMは破壊を予想する将来のシーケンスを予測し、BRMは将来の状況から最近の歴史を再構築し、初期の前駆体を明らかにする。 我々のモデルは連続的および離散的多変量特徴の両方をサポートし、実環境における堅牢な性能を実現する。
  論文  参考訳（メタデータ） (2026-02-12T03:57:41Z)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• Forecast2Anomaly (F2A): Adapting Multivariate Time Series Foundation Models for Anomaly Prediction [4.113311437158182]
  Forecast2Anomaly (F2A) は, TSFMに異常予測能力を付与する新しいフレームワークである。 まず,TSFMを微調整し,異常点においても将来信号の正確な予測を行う共同予測・異常損失を提案する。 第2に、歴史的に関連する地平線と条件予測を検索するRAG(Retrieval-Augmented Generation)モジュールを導入する。
  論文  参考訳（メタデータ） (2025-11-05T03:13:26Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)

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。