論文の概要: TimeNet: An Extensible Unified Data Infrastructure for Next-Generation Temporal Foundation Models

• arxiv url: http://arxiv.org/abs/2610.04407v1
• Date: Sat, 03 Oct 2026 09:53:33 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:43:16.427239
• Title: TimeNet: An Extensible Unified Data Infrastructure for Next-Generation Temporal Foundation Models
• Title（参考訳）: TimeNet: 次世代のテンポラルファンデーションモデルのための拡張可能な統一データ基盤
• Abstract要約: 時間的ファンデーションモデルは、ドメイン、データセット、タスクをまたいだ一般化を目指している。 タスク定義から時間データを分離する,オープンソースのデータ標準とスケーラブルなインフラストラクチャであるTimeNetを紹介します。 TimeNetは、正規、不規則、または規則的なタイム軸を持つマルチモーダル信号をサポートし、異なるタスクファミリを再利用可能なビューとして表現する。
• 参考スコア（独自算出の注目度）: 36.857374926661386
• License:
• Abstract: Temporal Foundation Models (TFMs) aim to generalize across domains, datasets, and tasks. Yet, their development remains constrained by fragmented, task-specific data formats, annotations, and processing pipelines. We introduce TimeNet, an open-source data standard and scalable infrastructure that decouples temporal data from task definitions and represents signals, metadata, annotations, and supervision in a shared, extensible data model. TimeNet supports multimodal signals with regular, irregular, or ordinal time axes and expresses different task families (including classification, forecasting, temporal localization, question answering, generation, and editing) as reusable views over the same recordings. This shared representation enables heterogeneous time-series datasets to be combined for large-scale model training across domains, modalities, and tasks. We demonstrate TimeNet by transcoding datasets with 1.5M task instances spanning diverse domains, modalities, temporal scales, and forms of supervision, while retaining practical I/O performance relative to native formats. TimeNet enables an existing TFN training pipeline to support joint training on a configurable number of heterogeneous datasets through configuration changes alone. We show this capability by training TFM across multiple datasets and tasks, obtaining a 14% F1 score improvement compared with models trained on individual datasets. These results show that TimeNet provides the data and systems foundation needed to move beyond task- and dataset-specific TFMs toward models that can learn jointly across heterogeneous domains, modalities, temporal scales, and forms of supervision from a common data model.
• Abstract（参考訳）: 時間的ファンデーションモデル(TFM)は、ドメイン、データセット、タスクをまたいだ一般化を目指している。 しかし、その開発は、断片化されたタスク固有のデータフォーマット、アノテーション、処理パイプラインによって制約されている。 タスク定義から時間データを分離し、信号、メタデータ、アノテーション、監視を共有可能なデータモデルで表現する、オープンソースのデータ標準でスケーラブルなインフラストラクチャであるTimeNetを紹介します。 TimeNetは、通常の、不規則、または規則的なタイム軸を持つマルチモーダル信号をサポートし、異なるタスクファミリ(分類、予測、時間的ローカライゼーション、質問応答、生成、編集など)を同じレコード上の再利用可能なビューとして表現する。 この共有表現により、ドメイン、モダリティ、タスクをまたいだ大規模なモデルトレーニングのために、異種時系列データセットを組み合わせることができる。 我々は、さまざまなドメイン、モダリティ、時間スケール、監視形態にまたがる1.5万のタスクインスタンスでデータセットを変換し、ネイティブフォーマットに対して実用的なI/Oパフォーマンスを維持しながら、TimeNetを実証する。 TimeNetは既存のTFNトレーニングパイプラインで、構成変更だけで、構成可能な多数の異種データセットのジョイントトレーニングをサポートすることができる。 複数のデータセットとタスクにまたがってTFMをトレーニングし、個々のデータセットでトレーニングされたモデルと比較して14%のF1スコアの改善を得た。 これらの結果は、TimeNetがタスクやデータセット固有のTFMを超えて、異種ドメイン、モダリティ、時間スケール、共通のデータモデルからの共同学習が可能なモデルに移行するために必要なデータとシステム基盤を提供することを示している。

関連論文リスト

• ADAPTive Input Training for Many-to-One Pre-Training on Time-Series Classification [12.086280297671282]
  本稿では,ADAPTと呼ばれる時系列データのための事前学習パラダイムを提案する。 ADAPTは時系列領域におけるデータの物理的特性を効率的に調整し、混合バッチ事前トレーニングを可能にする。 我々は162の時系列分類データセットをトレーニングし、分類ベンチマークのための新しい最先端性能を設定した。
  論文  参考訳（メタデータ） (2026-04-09T15:58:30Z)
• A Foundation Model for Instruction-Conditioned In-Context Time Series Tasks [0.7677431882779153]
  In-context Learning (ICL) では、モデルをパラメータを更新するのではなく、例に条件付けすることで推論時に適応させることができる。 本稿では,量子レグレッションT5エンコーダを用いた命令条件付き時系列タスクの基礎モデルを提案する。
  論文  参考訳（メタデータ） (2026-03-23T21:24:41Z)
• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• 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)
• 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)
• Time-MQA: Time Series Multi-Task Question Answering with Context Enhancement [55.2439260314328]
  Time Series Multi-Task Question Answering (Time-MQA)は、複数の時系列タスクにわたる自然言語クエリを可能にする統合フレームワークである。 Time-MQAの中心はTSQAデータセットである。
  論文  参考訳（メタデータ） (2025-02-26T13:47:13Z)
• TimePFN: Effective Multivariate Time Series Forecasting with Synthetic Data [22.458320848520042]
  TimePFNは、ベイズ推定の近似を目的としたPFN(Presideed-data Fitted Networks)の概念に基づいている。 我々は、いくつかのベンチマークデータセット上でTimePFNを評価し、MSS予測のための既存の最先端モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-22T16:55:14Z)
• A Language Model-Guided Framework for Mining Time Series with Distributional Shifts [5.082311792764403]
  本稿では,大規模言語モデルとデータソースインタフェースを用いて時系列データセットを探索・収集する手法を提案する。 収集したデータは外部ソースから得られるが、一次時系列データセットと重要な統計特性を共有できる。 収集されたデータセットは、既存のデータセット、特にデータ分散の変化を効果的に補うことができることを示唆している。
  論文  参考訳（メタデータ） (2024-06-07T20:21:07Z)
• UniTS: A Unified Multi-Task Time Series Model [31.675845788410246]
  UniTSは、予測タスクと生成タスクを単一のフレームワークに統合した、統合されたマルチタスク時系列モデルである。 UniTSは、人間の活動センサー、ヘルスケア、エンジニアリング、ファイナンスにまたがる38のデータセットでテストされている。
  論文  参考訳（メタデータ） (2024-02-29T21:25:58Z)

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。