論文の概要: Attenuated in-context identification in time-series foundation models: diagnosis under counterfactual inputs and repair by synthetic forced-system fine-tuning
- arxiv url: http://arxiv.org/abs/2610.08118v1
- Date: Tue, 06 Oct 2026 10:39:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.939683
- Title: Attenuated in-context identification in time-series foundation models: diagnosis under counterfactual inputs and repair by synthetic forced-system fine-tuning
- Title（参考訳）: 時系列基礎モデルにおける文脈内同定の減衰:反実的入力による診断と合成強制システム微調整による修復
- Abstract要約: 時系列基礎モデル (TSFMs) は、測定された植物に対するトレーニングなしの「何」の答えを約束する。
私たちはこれを、正確な反事実を持つ強制的なエンジニアリングシステムでテストします。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Covariate-aware time-series foundation models (TSFMs) promise training-free what-if answers for instrumented plants: the change in output that a different future input would cause. We test this on forced engineering systems with exact counterfactuals, comparing Chronos-2, TimesFM-2.5 and TabPFN-TS with classical system identification fitted to the same context. Through their default covariate interfaces, TimesFM-2.5 and TabPFN-TS are memoryless: the predicted effect of an input change is a same-time function of that change ($R^2 = 1.000$ for TimesFM-2.5). Chronos-2 identifies dynamics in context but attenuates them. Its predicted effect is 0.33-0.80 of the true effect, its recovered impulse response has the wrong shape, and its error on a one-degree-of-freedom oscillator levels off at 0.57 with 8192 context samples, where ARX fitted to 256 samples reaches 0.02. Context dither at inference lowers the what-if error on all six synthetic classes without training. A 26-minute fine-tune on synthetic forced systems restores the response magnitude (sensitivity 0.83-0.96) and outperforms structure-agnostic identification on Wiener-Hammerstein and a held-out friction class. A specialised in-context identifier trained on the same data comes close, so the forced-system data carry most of the gain. On three of four measured plants classical identification remains clearly better, and the fine-tuned model loses part of its univariate forecasting skill. Paired counterfactual inputs, together with shuffled future inputs on measured records, test two properties: whether the covariate interface can represent dynamics and whether the pretraining prior covers the plant's time scale. Only the counterfactual pairs expose the attenuation.
- Abstract（参考訳）: Covariate-Aware Time-Series Foundation Model (TSFMs) は、異なる将来の入力が引き起こす出力の変化に対して、トレーニングなしのWhat-ifの回答を約束する。
我々は,Chronos-2,TimesFM-2.5,TabPFN-TS,TabPFN-TS,Thronos-2,TimesFM-2.5,TabPFN-TS,Thronos-2,TimesFM-2.5,Tab PFN-TS,Thronos-2,TabPFN-TS,Thronos-2,Thronos-2,TimesFM-2.5,TabPFN-TSを,同じ文脈に適合した古典的なシステム同定と比較した。
TimesFM-2.5とTabPFN-TSは、デフォルトの共変量インタフェースを通じてメモリレスである:入力変更の予測された効果は、その変更の同時間関数である(TimesFM-2.5に対してR^2 = 1.000$)。
Chronos-2は文脈のダイナミクスを識別するが、減衰させる。
その予測効果は、真の効果の0.33-0.80であり、回復したインパルス応答は間違った形状であり、その誤差は、256サンプルに適合したARXが0.02に達すると、0.57のフリーダム振動子レベルと8192のコンテキストサンプルを持つ。
推論におけるコンテキストディザは、トレーニングなしで6つの合成クラスすべてにおいて、What-ifエラーを下げる。
合成強制システムの26分間の微調整は、応答の程度(感度 0.83-0.96)を復元し、ウィナー・ハマースタインと保留摩擦クラスにおける構造に依存しない識別を上回る。
同じデータでトレーニングされた特別なコンテキスト内識別子が近接しているため、強制システムデータにはほとんどの利得がある。
4つの測定された植物のうち3つについて、古典的識別は明らかに改善されており、微調整されたモデルは、その単変量予測スキルの一部を失う。
Paired counterfactual inputs, with shuffled future inputs on measured records, test two properties: the covariate interface can represent dynamics and the pretraining prior cover the plant's time scale。
対物対だけが減衰を露呈する。
関連論文リスト
- Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。
本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。
本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
論文 参考訳（メタデータ） (2026-10-02T20:36:22Z) - Should I Use This Synthetic Dataset for Training? How to Test with Minimal Real Data [73.19814469893088]
デジタルツインと学習された世界モデルは、エンジニアリングシステムにおける人工知能(AI)モデルのトレーニングに利用可能な、少ない実際のデータセットを増大させる合成データを生成するために、ますます使われています。
本稿では,拡張データセットのトレーニングが真の,人口レベルのパフォーマンスを向上する一方で,実際のテストデータポイントを可能な限り少なく消費するかどうかを論じる。
合成データ分類タスク、DT支援無線パケットスケジューリングタスク、および無線マップ予測タスクにおいて、aeSFTは平均ベースのシーケンシャルテストよりもはるかに少ない実検サンプルを用いて有用な合成データを識別することを示す。
論文 参考訳（メタデータ） (2026-08-28T07:05:38Z) - Learning-based Probabilistic Load Forecasting with Post-hoc and In-model Uncertainty [0.0]
我々は,1日ごとの確率予測フレームワークを開発した。
モジュラー・ポストホック残量学習スキームとインモデル量子学習スキームを比較した。
この結果から, 再構成された入力に依存する場合の残差量子化の限界が明らかとなった。
論文 参考訳（メタデータ） (2026-07-14T13:02:18Z) - Aionoscope: Debugging Latent-State Accessibility in Time-Series Representations [59.34593956287438]
Aionoscope(アイオノスコープ)は、凍結した時系列表現における潜在状態のアクセシビリティを検査するための診断ツールである。
アイオノスコープはプロセス生成を観察レンダリングから切り離し、正確な分類と密度のラベルを持つシード合成ストリームを生成する。
論文 参考訳（メタデータ） (2026-07-01T13:54:20Z) - DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。
適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。
DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
論文 参考訳（メタデータ） (2026-06-30T20:57:51Z) - Generative Pseudo-Force Fields for Molecular Generation [15.599051502026242]
本稿では,2次擬ポテンシャルエネルギー表面上でMLFFをトレーニングすることにより,パラダイムを橋渡しする生成擬力場(GPFF)を提案する。
GPFFは分散爆発DMの時間-ステップに依存しない変種を構成する。
QM9では、GPFFは256個の神経機能評価(NFE)で100%、わずか6個のNFEで50%以上有効であり、全試料の拡散ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2026-05-18T19:14:53Z) - Improving Machine Learning Performance with Synthetic Augmentation [0.0]
我々は、効果的なトレーニング分布の修正として、合成増強を形式化する。
追加のサンプルは推定誤差を減少させるが、人口目標をシフトさせることもできる。
合成増強は分散支配体制においてのみ有用であることを示す。
希少な登録ターゲティングは、ドメイン固有のメトリクスを改善することができるが、無条件の置換推論と矛盾する可能性がある。
論文 参考訳（メタデータ） (2026-04-16T00:23:01Z) - Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。
5つの公開異常データセット上で14の代表的なモデルを評価する。
論文 参考訳（メタデータ） (2026-02-17T09:45:44Z) - Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。
FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。
推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
論文 参考訳（メタデータ） (2026-02-12T18:54:57Z) - DropoutTS: Sample-Adaptive Dropout for Robust Time Series Forecasting [59.868414584142336]
DropoutTS はモデルに依存しないプラグインで、パラダイムを "What" から "How much" にシフトします。
ノイズを適応的なドロップアウト率にマッピングする - きめ細かい忠実さを維持しながら、急激な変動を選択的に抑制する。
論文 参考訳（メタデータ） (2026-01-29T13:49:20Z)
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。