論文の概要: On the Encoding of Calendar Features in Covariate-Informed Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2610.13676v1
• Date: Fri, 09 Oct 2026 14:41:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.641411
• Title: On the Encoding of Calendar Features in Covariate-Informed Time Series Foundation Models
• Title（参考訳）: Covariate-Informed Time Series Foundation Modelにおけるカレンダー特徴の符号化について
• Abstract要約: 本研究では,情報伝達方式がTSFMの予測精度に大きく影響を与えることを示す。 符号化の選択は、すべてのモデルで予測精度に影響を与えており、MASEの非ホリデーでは9.9%、ホリデーでは83%の差がある。 改善はホリデーシーズンを中心に集中しており、カレンダー情報はターゲット履歴から入手できない信号を提供する。
• 参考スコア（独自算出の注目度）: 65.59554067223065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series foundation models (TSFMs) increasingly offer covariate support, with calendar information being the most common type of categorical covariate in practice, as it is available for every point in time. However, how these features are encoded is largely treated as an implementation detail rather than as an object of study, despite encoding being one of the few design choices left for pretrained models at inference time. With the present study, we demonstrate that the way information is propagated into the model substantially affects forecast accuracy of TSFMs. Therefore, we systematically compare seven calendar encodings, including three conventional target-agnostic representations (ordinal, one-hot, and cyclic) and four target encodings, across four state-of-the-art TSFMs on nine datasets from multiple domains in a zero-shot rolling evaluation. The nine datasets are influenced by social activities, such as weekends and holidays, making calendar information particularly relevant for forecasting. We find that encoding choice affects forecast accuracy across all models, with MASE differences of up to 9.9 % on non-holidays and 83 % on holidays within a single model. Effectiveness and utilization vary substantially across models. Improvements are concentrated around holidays, where calendar information provides signals unavailable from target history, while some model encoding combinations also improve non-holiday forecasts. A SHAP-based attribution analysis locates the contribution of the covariates relative to the autoregressive component and explains why some model-encoding combinations degrade performance. Our findings suggest that current benchmarks for covariate-informed TSFMs can distort model comparisons by imposing fixed encoding strategies.
• Abstract（参考訳）: 時系列基礎モデル (TSFMs) は、時間内のすべての点で利用できるため、カレンダー情報は実際には最も一般的な分類的共変量である。 しかし、これらの特徴がどのように符号化されるかは、推論時に事前訓練されたモデルに残された数少ない設計選択の1つであるにもかかわらず、研究の対象としてではなく、実装の細部として扱われる。 本研究では,TSFMの予測精度に大きな影響を与えることを示す。 そこで我々は,従来の3つの目標非依存表現(通常,1ホット,サイクリック)と4つの目標符号化を含む7つのカレンダー符号化を,ゼロショットローリング評価において,各ドメインの9つのデータセット上の4つの最先端TSFMに対して体系的に比較した。 9つのデータセットは週末や休日といった社会活動の影響を受けており、カレンダー情報は特に予測に関係している。 符号化の選択は、すべてのモデルで予測精度に影響を与えており、MASEの非ホリデーでは9.9%、ホリデーでは83%の差がある。 有効性と有効性はモデルによって大きく異なる。 改善はホリデーを中心に集中しており、カレンダー情報はターゲット履歴から入手できない信号を提供する一方、組み合わせを符号化するモデルの中には、ホリデーでない予測も改善するものもある。 SHAPに基づく属性分析は、自己回帰成分に対する共変量の寄与を特定し、なぜモデルエンコーディングの組み合わせが性能を低下させるのかを説明する。 その結果,共変量インフォームドTSFMの現在のベンチマークは,固定符号化戦略を適用すれば,モデルの比較を歪められることが示唆された。

関連論文リスト

• ProtoTSNet: Interpretable Multivariate Time Series Classification With Prototypical Parts [6.99674326582747]
  ProtoTSNetは時系列データの解釈可能な分類のための新しいアプローチである。 我々のイノベーションの中心は、グループ畳み込みを利用した畳み込みエンコーダであり、オートエンコーダの一部として事前訓練可能である。
  論文  参考訳（メタデータ） (2025-11-04T00:42:42Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• 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)
• ChronosX: Adapting Pretrained Time Series Models with Exogenous Variables [30.679739751673655]
  本稿では,事前学習した時系列予測モデルに共変量を統合する新しい手法を提案する。 提案手法は,モジュールブロックによる事前学習予測モデルに共変量情報を組み込む。 本手法は,合成データと実データの両方の評価において,事前学習されたモデルに共変量情報を効果的に組み込むことで,既存のベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-03-15T12:34:19Z)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Time Series Forecasting via Semi-Asymmetric Convolutional Architecture with Global Atrous Sliding Window [0.0]
  本稿では,時系列予測の問題に対処するために提案手法を提案する。 現代のモデルのほとんどは、短い範囲の情報のみに焦点を当てており、時系列予測のような問題で致命的なものである。 パフォーマンス上のアドバンテージがあることを実験的に検証した3つの主要なコントリビューションを行います。
  論文  参考訳（メタデータ） (2023-01-31T15:07:31Z)
• On the Impact of Temporal Concept Drift on Model Explanations [31.390397997989712]
  自然言語処理におけるモデル予測の表現忠実度は、トレーニングデータと同じ時間分布から保持されたデータに基づいて評価する。 8つの特徴属性法と3つの選択列予測モデルにより抽出されたモデル説明に対する時間的変動の影響について検討した。
  論文  参考訳（メタデータ） (2022-10-17T15:53:09Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• The Effectiveness of Discretization in Forecasting: An Empirical Study on Neural Time Series Models [15.281725756608981]
  ニューラル予測アーキテクチャの予測性能に及ぼすデータ入力および出力変換の影響について検討する。 バイナリ化は実値入力の正規化に比べてほぼ常に性能が向上することがわかった。
  論文  参考訳（メタデータ） (2020-05-20T15:09:28Z)

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。