論文の概要: AdaCast: Conditional Parameter Generation for Adaptive Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.12240v1
• Date: Thu, 08 Oct 2026 16:21:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.15906
• Title: AdaCast: Conditional Parameter Generation for Adaptive Time Series Forecasting
• Title（参考訳）: AdaCast:適応時系列予測のための条件パラメータ生成
• Abstract要約: 時系列基礎モデル (TSFM) はドメイン間で高い予測性能を達成している。 既存のオールインワンメソッドは、データセットレベルのパラメータ更新の単一セットを学び、すべての入力に同じ適応モデルを適用する。 時系列予測のための条件パラメータ生成フレームワークであるAdaCastを提案する。
• 参考スコア（独自算出の注目度）: 5.276141594380619
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series foundation models (TSFMs) have achieved strong forecasting performance across domains. However, most adaptation methods remain static. Existing all-in-one methods learn a single set of dataset-level parameter updates and apply the same adapted model to every input. As a result, they cannot adapt the model parameters to the temporal patterns, seasonality and dynamics of each input time series. This limits their ability to produce forecasts that are tailored to heterogeneous inputs. To address this limitation, we propose AdaCast, a conditional parameter generation framework for time-series forecasting. AdaCast uses a generator to produce input-specific low-rank parameter updates for a frozen pretrained TSFM. These updates adapt the model to each input during both training and inference. Across six public benchmarks, AdaCast consistently outperforms static adaptation baseline in in-domain forecasting and improves zero-shot generalization to held-out datasets across domains. These results demonstrate that conditional parameter generation provides an effective approach for adaptive forecasting.
• Abstract（参考訳）: 時系列基礎モデル (TSFM) はドメイン間で高い予測性能を達成している。 しかし、ほとんどの適応法は静的のままである。 既存のオールインワンメソッドは、データセットレベルのパラメータ更新の単一セットを学び、すべての入力に同じ適応モデルを適用する。 その結果、各入力時系列の時間パターン、季節性、ダイナミクスにモデルパラメータを適用することはできない。 これにより、異種入力に適した予測を生成する能力が制限される。 この制限に対処するため,時系列予測のための条件パラメータ生成フレームワークであるAdaCastを提案する。 AdaCastはジェネレータを使用して、凍結事前訓練されたTSFMの入力固有の低ランクパラメータ更新を生成する。 これらの更新は、トレーニングと推論の両方の間、各入力にモデルを適応させる。 6つの公開ベンチマークで、AdaCastはドメイン内の予測において、静的適応ベースラインを一貫して上回り、ドメイン間で保持されるデータセットに対するゼロショットの一般化を改善している。 これらの結果から,条件パラメータ生成は適応予測に有効な手法であることが示された。

関連論文リスト

• FlexCast: Adaptive Weather Forecasting from Arbitrary Field Sets [57.20064100741693]
  ほとんどのディープラーニング気象モデルは、予め定義されたチャネルに変数と圧力レベルの固定セットを割り当てる。 この固定場集合への依存は、大気中におけるモデルの移動可能性を制限する。 フィールド適応型天気予報モデルFlexCastを提案する。
  論文  参考訳（メタデータ） (2026-10-04T15:18:41Z)
• One-Embedding-Fits-All: Efficient Zero-Shot Time Series Forecasting by a Model Zoo [82.65837388129746]
  Time Series Foundation Models (TSFM) はゼロショット予測を大幅に進歩させた。 異なるモデルが異なる時間パターンの好みを示すため、単一のTSFMが普遍的に優れているものはない。 本稿では,各モデルの予測強度を特徴付けるZooCastを提案する。
  論文  参考訳（メタデータ） (2025-09-04T13:34:54Z)
• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• 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)
• Are Self-Attentions Effective for Time Series Forecasting? [4.990206466948269]
  時系列予測は、複数のドメインやさまざまなシナリオにわたるアプリケーションにとって不可欠である。 近年の研究では、より単純な線形モデルは、複雑なトランスフォーマーベースのアプローチよりも優れていることが示されている。 我々は、新しいアーキテクチャ、クロスアテンションのみの時系列変換器(CATS)を導入する。 提案モデルでは,平均二乗誤差が最小であり,既存のモデルに比べてパラメータが少ないため,性能が向上する。
  論文  参考訳（メタデータ） (2024-05-27T06:49:39Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• PromptCast: A New Prompt-based Learning Paradigm for Time Series Forecasting [11.670324826998968]
  既存の時系列予測手法では,数値列を入力とし,数値列を出力とする。 事前学習された言語基盤モデルの成功に触発されて、我々は新しい予測パラダイム、即時時系列予測を提案する。 この新たなタスクでは、数値入力と出力をプロンプトに変換し、予測タスクを文対文でフレーム化する。
  論文  参考訳（メタデータ） (2022-09-20T10:15:35Z)

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。