論文の概要: TMAML: Temporal Model-Agnostic Meta-Learning for Cold-Start Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.04547v1
• Date: Sat, 03 Oct 2026 14:20:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 18:55:30.659293
• Title: TMAML: Temporal Model-Agnostic Meta-Learning for Cold-Start Time Series Forecasting
• Title（参考訳）: TMAML:コールドスタート時系列予測のための時間モデル非依存メタラーニング
• Abstract要約: コールドスタート予測(英語: Cold-start forecasting)は、時系列をほとんど、あるいは全く歴史データで予測するタスクであり、よくある課題である。 数ウィンドウ学習問題としてコールドスタート予測を定式化し、時間モデルに依存しないメタラーニング(TMAML)を導入する。 TMAMLは、ニューラルネットワークの少数ショット適応のために開発されたモデルに依存しないメタラーニングアルゴリズムを、ディープ時系列予測に適合させる。
• 参考スコア（独自算出の注目度）: 0.22940141855172028
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Cold-start forecasting, the task of forecasting a time series with little to no historical data, is a common challenge. Addressing it requires approaches that learn quickly from few datapoints and leverage information from related series, typically through static covariates, to generalize well to unseen series. While some global forecasting models can generate cold-start predictions by leveraging information shared across multiple series, they are not optimized for out-of-train-set generalization or adaptation from short histories. In this work, we formulate cold-start forecasting as a few-window learning problem and introduce Temporal Model-Agnostic Meta-Learning (TMAML), which tailors the model-agnostic meta-learning algorithm, originally developed for few-shot adaptation of neural networks, to deep time series forecasting. TMAML constructs meta-tasks as temporally consistent support-query windows and pairs them with a temporal meta-training and meta-testing procedure, yielding forecasting models that are explicitly optimized for cold-start forecasting. We instantiate TMAML on the Temporal Fusion Transformer (TFT) and present an initial empirical analysis of forecast accuracy and calibration across three cold-start scenarios: TMAML consistently outperforms or matches a standard ERM-trained TFT, yields better-calibrated forecasts than naive on two of the three scenarios, but does not consistently outperform naive on probabilistic forecast accuracy.
• Abstract（参考訳）: コールドスタート予測(英語: Cold-start forecasting)は、時系列をほとんど、あるいは全く歴史データで予測するタスクであり、よくある課題である。 これに対処するには、少数のデータポイントから素早く学習し、関連する系列(典型的には静的な共変量を通して)から情報を活用するアプローチが必要である。 いくつかのグローバル予測モデルは、複数のシリーズ間で共有される情報を活用することで、コールドスタート予測を生成することができるが、それらは、アウト・オブ・トレイン・セットの一般化やショート・ヒストリーからの適応に最適化されていない。 本研究では,数ウィンドウ学習問題としてコールドスタート予測を定式化し,時間モデルに依存しないメタラーニング(TMAML)を導入する。 TMAMLは、メタタスクを時間的に一貫したサポートクエリウィンドウとして構成し、時間的なメタトレーニングとメタテストの手順と組み合わせて、コールドスタート予測に明示的に最適化された予測モデルを生成する。 我々はTMAMLをTFT(Temporal Fusion Transformer)上でインスタンス化し、3つのコールドスタートシナリオで予測精度とキャリブレーションを実験的に解析する。

関連論文リスト

• ProtoFlow: Prototype-Guided Flow Matching for Multivariate Time Series Forecasting [69.1065375191878]
  本稿では,ベクトル量子化オートエンコーディングとプロトタイプ-プリアフローマッチングを組み合わせたベクトル量子化オートエンコーディングフレームワークを提案する。 提案手法は,多変量列を離散潜在空間にマッピングし,学習したコードブックから構造化後,最終的にDiTをベースとした補正流れを学習し,これより先から将来的な潜在表現へサンプルを輸送する。
  論文  参考訳（メタデータ） (2026-10-01T08:48:18Z)
• MetaCaster: Meta-Harness-Optimized Agent for End-to-End Few-Shot Learning of Lightweight Time Series Forecasters [86.78565015172455]
  時系列予測(TSF)は、マルチモーダルおよびエージェント設定に向けて進化している。 メタハーネスを最適化したマルチエージェントフレームワークであるMetaCasterを提案する。 我々の研究は、エージェントが予測者としてではなく、仲介エンジニアとして振る舞う新しいTSFパラダイムを強調している。
  論文  参考訳（メタデータ） (2026-08-24T16:40:25Z)
• CastFlow: Learning Role-Specialized Agentic Workflows for Time Series Forecasting [74.29761960394848]
  大規模言語モデル(LLM)のための動的エージェント予測フレームワークであるCastFlowを提案する。 CastFlowは予測プロセスを計画、アクション、予測、リフレクションに編成し、エージェントワークフローを確立する。 第3に、CastFlowは、汎用推論と特殊な数値予測を組み合わせたロール特殊化設計を採用する。
  論文  参考訳（メタデータ） (2026-04-30T13:24:42Z)
• TimeRFT: Stimulating Generalizable Time Series Forecasting for TSFMs via Reinforcement Finetuning [17.14331763602024]
  時系列基礎モデル(TSFM)は、大規模事前学習による時系列予測における一般化とデータ効率を向上する。 本稿では,TSFM下流適応のための時系列強化ファインタニング(TimeRFT)パラダイムについて紹介する。 大規模な実験では、TimeRFTは様々な実世界の予測タスクやデータ体制のトレーニングにおいて、SFTベースの適応手法を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-04-18T06:22:26Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• Metadata Matters for Time Series: Informative Forecasting with Transformers [70.38241681764738]
  時系列予測のためのMetaTST(Metadata-informed Time Series Transformer)を提案する。 メタデータの非構造化の性質に取り組むため、MetaTSTは、事前に設計されたテンプレートによってそれらを自然言語に形式化する。 Transformerエンコーダは、メタデータ情報によるシーケンス表現を拡張するシリーズトークンとメタデータトークンの通信に使用される。
  論文  参考訳（メタデータ） (2024-10-04T11:37:55Z)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• Meta-Forecasting by combining Global DeepRepresentations with Local Adaptation [12.747008878068314]
  メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。 それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。 本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
  論文  参考訳（メタデータ） (2021-11-05T11:45:02Z)
• Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
  本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。 予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
  論文  参考訳（メタデータ） (2021-08-19T14:44:46Z)

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。