論文の概要: MetaARIMA: Configuration-Level Transfer Learning for ARIMA Models

• arxiv url: http://arxiv.org/abs/2610.34171v1
• Date: Sun, 25 Oct 2026 09:01:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.550797
• Title: MetaARIMA: Configuration-Level Transfer Learning for ARIMA Models
• Title（参考訳）: MetaARIMA: ARIMAモデルのための構成レベル変換学習
• Abstract要約: メタ学習に基づく事前学習型構成ポリシーであるMetaARIMAを提案する。 MetaARIMAは、データ効率を向上しながら、他の古典的手法よりも優れていることを示す。 最近のゼロショットファウンデーションモデルと比較すると、MetaARIMAはChronos2、Moirai2、TimesFMと競合している。
• 参考スコア（独自算出の注目度）: 3.1784840992666137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time Series Foundation Models have demonstrated that pretraining on diverse datasets enables effective transfer to new forecasting tasks. Classical methods like ARIMA, however, remain configured and trained independently for each series, discarding knowledge from previous experiments. Consequently, selecting and training an ARIMA configuration remains challenging and often relies on heuristic approaches based on in-sample goodnessof-fit measures. We propose MetaARIMA, a pretrained configuration policy based on metalearning that brings transfer learning to classical statistical forecasting at the configuration level rather than the model level. The policy learns from historical experiments which ARIMA configurations achieve top-quantile performance, and recommends promising candidates for new series while preserving interpretability and local estimation. At inference, it selects a diverse set of candidates via maximal marginal relevance and efficiently identifies the final configuration using successive halving. Experiments in a transfer learning setting, training on M4 and evaluating on M1, M3, and Tourism, show that MetaARIMA outperforms AutoARIMA and other classical methods while being more dataefficient. In a comparison with recent zero-shot foundation models, MetaARIMA remains competitive with Chronos2, Moirai2, and TimesFM. The experiments are publicly available at https://github.com/vcerqueira/experiments-metaarima.
• Abstract（参考訳）: Time Series Foundation Modelsは、多様なデータセットでの事前トレーニングが、新しい予測タスクへの効果的な転送を可能にすることを実証している。 しかし、ARIMAのような古典的な手法は、各シリーズごとに独立して構成され、訓練され、以前の実験から知識を捨てる。 結果として、ARIMA構成の選択と訓練は依然として困難であり、しばしばインサンプルの適合度に基づくヒューリスティックなアプローチに依存している。 本稿では,メタ学習に基づく事前訓練された構成ポリシーであるMetaARIMAを提案する。 このポリシーは、ARIMA構成が最高品質を達成する歴史的な実験から学び、解釈可能性と局所推定を保ちながら、新しいシリーズの有望な候補を推薦する。 推測では、最大辺縁関係により多様な候補を選択し、連続半減法による最終構成を効率的に同定する。 トランスファーラーニング環境での実験、M4でのトレーニング、M1、M3、ツーリズムの評価により、MetaARIMAはAutoARIMAや他の古典的手法よりも優れ、よりデータ効率が良いことが示されている。 最近のゼロショットファウンデーションモデルと比較すると、MetaARIMAはChronos2、Moirai2、TimesFMと競合している。 実験はhttps://github.com/vcerqueira/experiments-metaarima.comで公開されている。

関連論文リスト

• The Pre-Training Study of Expanded-SPLADE Models on Web Document Titles [0.08949202626090576]
  本稿では,事前学習データセットと事前学習オプションが,検索微調整のための事前学習モデルに及ぼす影響について検討する。 未刈取と最も厳密な刈取の両方において高い検索効率の微調整されたモデルは、概ね一般コーパスで事前訓練されている。
  論文  参考訳（メタデータ） (2026-05-02T12:07:49Z)
• Post-training is (Massive) Supervised Learning [35.992105178197185]
  LLMの訓練の主流となるパラダイムは、SFTとRLからなる大規模な訓練後フェーズに依存するように進化してきた。 我々は,この手法が,BERT時代のプレトレインおよびファインチューンアプローチへの回帰を効果的に示していると論じる。
  論文  参考訳（メタデータ） (2026-04-20T08:52:09Z)
• Task-customized Masked AutoEncoder via Mixture of Cluster-conditional Experts [104.9871176044644]
  Masked Autoencoder (MAE) は,モデル事前学習において有望な結果が得られる自己教師型学習手法である。 我々は、新しいMAEベースの事前学習パラダイム、Mixture of Cluster-conditional Experts (MoCE)を提案する。 MoCEは、クラスタ条件ゲートを使用して、各専門家にセマンティックなイメージのみをトレーニングする。
  論文  参考訳（メタデータ） (2024-02-08T03:46:32Z)
• Architecture, Dataset and Model-Scale Agnostic Data-free Meta-Learning [117.48444197402858]
  データフリーメタトレーニングにおけるePisode cUrriculum inversion(ECI)と、内部ループ後のinvErsion calibRation(ICFIL)を提案する。 ECIは、メタモデルのリアルタイムフィードバックに応じて、擬似エピソードの難易度を適応的に増加させる。 本稿では,ECIを用いたメタトレーニングの最適化過程を,エンド・ツー・エンド方式で近似形式として定式化する。
  論文  参考訳（メタデータ） (2023-03-20T15:10:41Z)
• Masked Autoencoders As The Unified Learners For Pre-Trained Sentence Representation [77.47617360812023]
  我々は、最近提案されたMAEスタイルの事前学習戦略であるRetroMAEを拡張し、幅広い文表現タスクをサポートする。 最初のステージでは、ベースモデルが学習されるWikipedia、BookCorpusなど、一般的なコーパス上でRetroMAEを実行する。 第2段階はドメイン固有のデータ、例えばMS MARCOやNLIで行われ、ベースモデルはRetroMAEとコントラスト学習に基づいて継続的に訓練される。
  論文  参考訳（メタデータ） (2022-07-30T14:34:55Z)
• One-shot Federated Learning without Server-side Training [42.59845771101823]
  クライアントとサーバ間の通信コストを削減する手段として,ワンショットのフェデレーション学習が人気を集めている。 既存のワンショットFL法のほとんどは知識蒸留に基づいているが、蒸留に基づくアプローチでは追加のトレーニングフェーズが必要であり、公開されているデータセットや生成された擬似サンプルに依存する。 本研究では,サーバサイドのトレーニングなしで,ローカルモデル上で1ラウンドのパラメータアグリゲーションを実行するという,新しいクロスサイロ設定について考察する。
  論文  参考訳（メタデータ） (2022-04-26T01:45:37Z)
• Model-Agnostic Multitask Fine-tuning for Few-shot Vision-Language Transfer Learning [59.38343286807997]
  未知タスクの視覚言語モデルのためのモデル非依存型マルチタスクファインチューニング(MAMF)を提案する。 モデルに依存しないメタラーニング(MAML)と比較して、MAMFは二段階最適化を捨て、一階勾配のみを使用する。 MAMFは5つのベンチマークデータセット上で、数ショットの転送学習において古典的な微調整法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-09T17:26:53Z)

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。