論文の概要: Timer-M1: A Multivariate Time Series Foundation Model via Learning Primitives

• arxiv url: http://arxiv.org/abs/2610.11734v1
• Date: Thu, 08 Oct 2026 11:28:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.979478
• Title: Timer-M1: A Multivariate Time Series Foundation Model via Learning Primitives
• Title（参考訳）: Timer-M1:学習プリミティブによる多変量時系列基礎モデル
• Abstract要約: 我々は、ゼロショット予測のためのプリミティブを用いて学習する、事前訓練された多変量時系列基礎モデルであるTimer-M1を紹介する。 3つの大規模な予測ベンチマークの中で、Timer-M1はFEVとTIMEの両方で第1位、GIFT-Evalでは第2位である。
• 参考スコア（独自算出の注目度）: 49.5727564886458
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce Timer-M1, a pretrained multivariate time series foundation model that learns with primitives for zero-shot forecasting. Across domains, time series share elementary temporal and relational patterns, termed primitives, yet differ in how these primitives manifest and evolve across different contexts. Despite progress in zero-shot and task-general forecasting, existing foundation models may still struggle to generalize to complex real-world scenarios. To this end, we develop a primitive-based data synthesis and pretraining pipeline. The synthesis pipeline generates series with temporal primitives shared across domains and then assembles real and generated series into multivariate samples using relational primitives. Afterwards, samples are organized into episodes by assigning distinct channel roles as target variates, past-only covariates, and known-future covariates, ensuring that the model is optimized on predictable variates using available exogenous information. Technically, Timer-M1 further adapts gated two-dimensional Transformer blocks that dynamically allocate cross-variate attention across layers. Across three large-scale forecasting benchmarks, Timer-M1 ranks first on both FEV and TIME and second on GIFT-Eval among most recent time series foundation models. These results support effective primitive-based pretraining as a route to robust general forecasting technique across domains and task settings.
• Abstract（参考訳）: 我々は、ゼロショット予測のためのプリミティブを用いて学習する、事前訓練された多変量時系列基礎モデルであるTimer-M1を紹介する。 ドメイン全体にわたって、時系列は基本的な時間的および関係的なパターンを共有し、プリミティブと呼ばれるが、これらのプリミティブがどのように異なるコンテキストでどのように表現され、進化するかが異なる。 ゼロショットとタスクジェネラル予測の進歩にもかかわらず、既存の基礎モデルは複雑な現実世界のシナリオへの一般化に苦慮している。 この目的のために、プリミティブベースのデータ合成および事前学習パイプラインを開発する。 合成パイプラインは、ドメイン間で共有される時間的プリミティブを持つシリーズを生成し、その後、リレーショナルプリミティブを使用して実および生成されたシリーズを多変量標本に組み立てる。 その後、サンプルは、異なるチャネルロールをターゲット変数、過去専用共変量、および既知の未来共変量として割り当て、モデルが利用可能な外因性情報を用いて予測可能な変数に最適化されることを保証してエピソードに編成される。 技術的には、Timer-M1はさらにゲート付き2次元トランスフォーマーブロックに適応し、層間を横断する注意を動的に割り当てる。 3つの大規模な予測ベンチマークの中で、Timer-M1はFEVとTIMEの両方で第1位、GIFT-Evalでは第2位である。 これらの結果は、ドメイン間の堅牢な一般予測手法とタスク設定へのルートとして、効果的なプリミティブベースの事前学習を支援する。

関連論文リスト

• Towards Generalisable Time Series Understanding Across Domains [10.350643783811174]
  時系列の不均一性を扱うために特別に設計された新しい事前学習パラダイムを導入する。 本稿では、学習可能なドメインシグネチャ、二重マスキング戦略、正規化相互相関損失を持つトークンサを提案する。 私たちのコードと事前訓練されたウェイトはhttps://www.oetu.com/oetu/otis.comで公開されています。
  論文  参考訳（メタデータ） (2024-10-09T17:09:30Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
  TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。 TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。 我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-03T22:31:57Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Ti-MAE: Self-Supervised Masked Time Series Autoencoders [16.98069693152999]
  本稿では,Ti-MAEという新しいフレームワークを提案する。 Ti-MAEは、埋め込み時系列データをランダムにマスクアウトし、オートエンコーダを学び、ポイントレベルでそれらを再構築する。 いくつかの公開実世界のデータセットの実験では、マスク付きオートエンコーディングのフレームワークが生データから直接強力な表現を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-01-21T03:20:23Z)

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。