論文の概要: TimesJev: Thinking Fast on Time Series with System 1 Sufficiency

• arxiv url: http://arxiv.org/abs/2610.26002v1
• Date: Mon, 19 Oct 2026 08:26:07 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:16:09.086871
• Title: TimesJev: Thinking Fast on Time Series with System 1 Sufficiency
• Title（参考訳）: TimesJev: System 1 で時系列を高速に考える
• Abstract要約: 時系列モデルであるTimesJevを提案する。 TimesJevは62.9%の推論時間で推理モデルを62%以上上回っている。
• 参考スコア（独自算出の注目度）: 47.020639392238714
• License:
• Abstract: Large language models (LLMs) have recently shown strong potential for time series reasoning, while models that reason over time series are usually with long chains of thought. However, this process often consumes thousands of tokens, directly leading to substantial latency during inference. In contrast, System 1 models such as Jev make decisions instantly and can naturally be an alternative, but raw time series are not compatible with the embedding space of these models, thus hindering the reasoning performance, especially when input series contain thousands of numeric points. In this paper, we make a very early attempt to propose a time series System 1 model, namely TimesJev. Specifically, we first formalize System 1 sufficiency in time series reasoning, which motivates a compressed representation for time series with key frequency patterns preserved. To construct this representation, we derive a dimension reduction objective that combines (i) a sufficiency divergence that measures the core information lost during compression, and (ii) a realizability divergence that quantifies the incompatibility of the System 1 model to the optimal prediction given this representation. We optimize this objective by learning time series compression with a gating mechanism for sufficiency, and then aligning the selected representation with the embedding space for realizability. Finally, experiments on 13 datasets demonstrate that TimesJev outperforms reasoning models by over 62% with 62.9% less inference time than their fine-tuned versions on average.
• Abstract（参考訳）: 大規模言語モデル(LLM)は近年、時系列推論に強い可能性を示しており、時系列モデルは通常、長いチェーンの思考を持つ。 しかし、このプロセスは数千のトークンを消費することが多く、直接的に推論中にかなりの遅延が発生する。 対照的に、JevのようなSystem 1モデルはすぐに決定を下すことができ、自然に代替となることができるが、生の時系列はこれらのモデルの埋め込み空間と互換性がないため、特に入力列が数千の数値点を含む場合、推論性能を阻害する。 本稿では,時系列システム1モデル,すなわちTimesJevを提案する。 具体的には、まず、時系列推論におけるシステム1の十分性を定式化し、キー周波数パターンを保存した時系列の圧縮表現を動機付ける。 この表現を構築するために、結合する次元削減目標を導出する。 一 圧縮時に失った中核情報を測定する十分分散 (ii)システム1モデルの非互換性を、この表現が与えられた最適予測に定量化する実現可能性のばらつき。 本稿では,この目的を,効率向上のためのゲーティング機構を用いて時系列圧縮を学習し,選択した表現を組込み空間に整合させて実現可能にする。 最後に、13のデータセットに関する実験では、TimesJevは推論モデルを62%以上上回り、62.9%の推論時間を平均よりも小さくしている。

関連論文リスト

• Reverso: Efficient Time Series Foundation Models for Zero-shot Forecasting [38.81240885985943]
  長い畳み込み層と線形RNN層をインターリーブする小型ハイブリッドモデルは、より大規模なトランスモデルの性能に適合することを示す。 このレシピは、ゼロショット予測のための効率的な時系列基礎モデルのファミリーであるReversoに結果をもたらす。
  論文  参考訳（メタデータ） (2026-02-19T18:48:08Z)
• Robust Group Anomaly Detection for Quasi-Periodic Network Time Series [47.60720976101336]
  本稿では,ネットワーク時系列データベース内の異常で興味深い時系列を識別するフレームワークを提案する。 本稿では,Seq2GMMモデルを効率よく学習できるサロゲートに基づく最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-06-20T08:11:04Z)
• Time-o1: Time-Series Forecasting Needs Transformed Label Alignment [50.54348432664401]
  Time-o1は、時系列予測に適した変換強化学習目標である。 中心となる考え方は、ラベルシーケンスを区別された意味を持つ非相関なコンポーネントに変換することである。 Time-o1は最先端のパフォーマンスを実現し、様々な予測モデルと互換性がある。
  論文  参考訳（メタデータ） (2025-05-23T13:00:35Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• A Fuzzy Time Series-Based Model Using Particle Swarm Optimization and Weighted Rules [0.0]
  ファジィ時系列で見られる最も正確なモデルの中で、高次のモデルが最も正確である。 本稿では,高次ファジィ時系列モデルの適用に関する3つの潜在的な限界に対処する。
  論文  参考訳（メタデータ） (2023-10-28T21:24:59Z)
• VQ-AR: Vector Quantized Autoregressive Probabilistic Time Series Forecasting [10.605719154114354]
  時系列モデルは過去の予測を正確に予測することを目的としており、そこではビジネス上の意思決定のような重要な下流のタスクに予測が使用される。 本稿では,新しい自己回帰型アーキテクチャであるVQ-ARを提案する。
  論文  参考訳（メタデータ） (2022-05-31T15:43:46Z)

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。