論文の概要: GRAM: Correcting Frozen Time-Series Foundation Models via Graph-Retrieved Amplitude Memory

• arxiv url: http://arxiv.org/abs/2610.04827v1
• Date: Sun, 04 Oct 2026 00:20:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 08:35:22.676211
• Title: GRAM: Correcting Frozen Time-Series Foundation Models via Graph-Retrieved Amplitude Memory
• Title（参考訳）: GRAM:グラフ検索振幅メモリによる凍結時系列基礎モデルの修正
• Abstract要約: 時系列基礎モデル(TSFM)は、ドメイン間事前トレーニングによるゼロショット予測を可能にする。 冷凍TSFMのための一般的な検索拡張フレームワークであるGRAMを提案する。
• 参考スコア（独自算出の注目度）: 58.68570511441593
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Time-series foundation models (TSFMs) enable zero-shot forecasting through large-scale cross-domain pretraining, while retrieval augmentation further improves their performance by leveraging historical information. However, existing methods typically correct TSFM forecasts using the ground-truth futures of similar historical windows, which contain both predictive components already captured by the foundation model and sample-specific random fluctuation that is difficult to transfer. In contrast, recurring systematic model bias within prediction errors more directly characterizes the failure modes of a frozen TSFM and therefore provides more valuable correction signals. Effectively exploiting such model bias, however, poses two challenges: prediction errors at different numerical levels are difficult to compare due to scale differences, and the recurring bias must be extracted from prediction errors contaminated by random fluctuation. To address these challenges, we propose GRAM, a general retrieval-augmented framework for frozen TSFMs. GRAM first introduces an Amplitude Memory Module (AMM) that scales prediction errors by amplitude and aggregates them into retrievable prototypes. It then employs a Prototype Graph Module (PGM) to model relations among prototypes to aggregate consistent bias information while suppressing random fluctuation. During online forecasting, GRAM retrieves and expands prototypes relevant to the current query and generates per-horizon corrections to refine the original TSFM forecast. Experiments across multiple datasets and foundation models demonstrate consistent forecasting improvements.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は、大規模なクロスドメイン事前訓練によるゼロショット予測を可能にし、検索の強化は、歴史的情報を活用することにより、そのパフォーマンスをさらに向上させる。 しかし、既存の手法では、基本モデルによって既に捕捉されている予測成分と、転送が困難であるサンプル固有のランダムなゆらぎの両方を含む、同様の歴史的窓の地道未来を用いてTSFM予測を補正するのが一般的である。 対照的に、予測誤差内で繰り返し発生する体系的モデルバイアスは、冷凍TSFMの故障モードをより直接的に特徴付け、より価値のある補正信号を提供する。 しかし、そのようなモデルバイアスを効果的に活用することは、2つの課題をもたらす: 異なる数値レベルの予測誤差は、スケールの違いによって比較するのが困難であり、ランダムなゆらぎによって汚染された予測エラーから繰り返し発生するバイアスを抽出する必要がある。 これらの課題に対処するために,冷凍TSFMのための一般的な検索拡張フレームワークであるGRAMを提案する。 GRAMはまず、振幅による予測エラーをスケールし、それらを検索可能なプロトタイプに集約する振幅メモリモジュール(AMM)を導入している。 その後、プロトタイプグラフモジュール(PGM)を用いてプロトタイプ間の関係をモデル化し、ランダムなゆらぎを抑制しながら一貫したバイアス情報を集約する。 オンライン予測中、GRAMは現在のクエリに関連するプロトタイプを検索して拡張し、水平毎の補正を生成して、元のTSFM予測を洗練する。 複数のデータセットとファンデーションモデルにわたる実験は、一貫した予測の改善を示している。

関連論文リスト

• 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)
• VFMF: World Modeling by Forecasting Vision Foundation Model Features [67.09340259579761]
  本稿では,視覚基礎モデルの特徴空間における自己回帰フローマッチングを行う生成予測器を提案する。 この潜伏情報の方がPCAベースの代替案よりも効果的であることを示す。 一致したアーキテクチャと計算により、本手法はすべてのモダリティにおける回帰よりもシャープで正確な予測を生成する。
  論文  参考訳（メタデータ） (2025-12-12T02:10:05Z)
• RED-F: Reconstruction-Elimination based Dual-stream Contrastive Forecasting for Multivariate Time Series Anomaly Prediction [19.04414742117033]
  本稿では,再構成に基づくDual-stream Contrastive Forecasting フレームワークを提案する。 このフレームワークは、絶対信号検出の難しいタスクを、相対軌道比較のより単純で堅牢なタスクに変換する。 6つの実世界のデータセットの実験は、異常予測タスクにおけるRED-Fの優れた能力を示している。
  論文  参考訳（メタデータ） (2025-11-25T08:11:41Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
  本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。 我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)

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。