論文の概要: Dynamic Multi-Step Decoding for Time-Series Foundation Models
- arxiv url: http://arxiv.org/abs/2610.34409v1
- Date: Sun, 25 Oct 2026 16:10:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.610344
- Title: Dynamic Multi-Step Decoding for Time-Series Foundation Models
- Title（参考訳）: 時系列基礎モデルのための動的マルチステップデコーディング
- Abstract要約: 時系列予測モデルは通常、フル水平線のワンショット予測または原子チャンク上の自己回帰ロールアウトを使用する。
最適な復号化戦略は入力毎に固定されるのではなく、各予測インスタンスに対して適応的に選択されるべきである。
本稿では,予測ロールアウトスケジュールを推論時間決定問題として扱う動的戦略セレクタを提案する。
- 参考スコア（独自算出の注目度）: 10.873081045497848
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time-series forecasting models typically use a fixed decoding strategy at inference time: either one-shot prediction of the full horizon or autoregressive rollout over atomic chunks. While one-shot decoding reduces error accumulation, it can discard useful sequential structure; conversely, autoregressive decoding preserves temporal dependencies but may compound errors. We argue that the optimal decoding strategy is not fixed across inputs, but should be selected adaptively for each forecasting instance. We propose a dynamic strategy selector that treats the forecast rollout schedule as an inference-time decision problem for frozen pretrained time-series foundation models. The selector is a learned network that ranks candidate rollout schedules using hidden states of the backbone, and is trained on historical windows of the evaluated tasks for each backbone. To make the candidate set tractable over the exponentially large space of horizon partitions, we use dynamic programming that reduces candidate evaluation to quadratic complexity while preserving much of the oracle gain. At deployment, five independently trained selectors vote on each decision, and the policy follows their consensus, falling back to the backbone's one-shot forecast where they disagree. The construction requires only the backbone's hidden states and lightweight selectors, with no fine-tuning of the forecasting backbone. On fev-bench with a frozen Chronos-2 backbone, agreement-gated selection improves point-forecast skill (MASE) over one-shot decoding with statistical significance, mostly on longer horizons. It recovers about 6-8% of the gain that the same dynamic program attains with ground-truth selection. With a frozen Moirai-1.1-R-small backbone, the improvement is also significant on the full benchmark, and for both backbones we claim gains in point accuracy only.
- Abstract（参考訳）: 時系列予測モデルは典型的には、推論時に固定デコード戦略を使用する:完全な水平線のワンショット予測か、原子チャンク上の自己回帰ロールアウトである。
1ショットのデコーディングはエラーの蓄積を減らすが、有用なシーケンシャルな構造を破棄することができる。
最適な復号化戦略は入力毎に固定されるのではなく、各予測インスタンスに対して適応的に選択されるべきである。
本研究では,凍結事前学習した時系列基礎モデルに対する予測ロールアウトスケジュールを推論時間決定問題として扱う動的戦略セレクタを提案する。
セレクタは、バックボーンの隠れ状態を使用して、候補のロールアウトスケジュールをランク付けする学習ネットワークであり、バックボーンごとに評価されたタスクの履歴ウィンドウでトレーニングされる。
指数関数的に大きな地平線分割空間上の候補集合をトラクタブルにするために、我々は、オラクルゲインの多くを保ちながら、候補評価を二次的複雑性に還元する動的プログラミングを用いる。
デプロイでは、5人の独立した訓練されたセレクタがそれぞれの決定に投票し、ポリシーは彼らの合意に従い、彼らが同意しないバックボーンのワンショット予測に戻る。
構築にはバックボーンの隠れ状態と軽量セレクタのみが必要で、予測バックボーンの微調整は不要である。
凍結したChronos-2のバックボーンを持つfev-benchでは、合意付き選択は1ショットのデコードよりもポイント予測スキル(MASE)を向上させる。
同じ動的プログラムが地道選択によって達成されるゲインの約6～8%を回復する。
凍結したMoirai-1.1-R-小のバックボーンでは、完全なベンチマークでも改善が重要である。
関連論文リスト
- FORTE: Adaptive Scoring and Exact Keyframe Selection for Long-Video Question Answering [14.633493741362443]
FORTEは適応性スコアリングとグローバルな計算最適化のためのトレーニング不要のフレームワークである。
我々は、対数被覆構造を利用した正確なアルゴリズムを導出し、プールサイズに線形な時間で、得られた候補プールの最適部分集合を同定する。
4つの長ビデオ質問応答ベンチマーク実験により、FOTEが観測された平均精度が最も高いことを示す。
論文 参考訳（メタデータ） (2026-09-30T18:45:18Z) - Loss-Guided Pretraining Data Selection for Time-Series Foundation Models [19.58479715166882]
時系列基礎モデル(TSFM)は、数十億の観測を含む異種コレクションに事前訓練されている。
静的なデータ選択フレームワークを導入し、各ウィンドウを基準予測器でスコアし、各ソースデータセットに中間間隔を保持する。
次に、基準損失スコアを定義し、サンプルの多様性を維持するためにデータセット階層化選択を適用する。
論文 参考訳（メタデータ） (2026-09-29T11:08:45Z) - fable.intermittent: benchmarking probabilistic forecasting methods for intermittent time series [0.13599496385950985]
本稿では,fable フレームワーク内の間欠級数に対する確率的予測手法を実装した R パッケージ fable$.$intermittent を紹介する。
また、TWEESは、Tweedie予測分布を持つ新しい指数的平滑化モデルである。
4つのデータセットに対してfable$.$intermittentで実装されたメソッドを評価する。
論文 参考訳（メタデータ） (2026-09-23T16:37:33Z) - Scaling Test-Time Compute for Agentic Coding [126.72747643609274]
本稿では,ロールアウト軌跡のコンパクトな表現に基づくエージェントコーディングのためのテスト時間スケーリングフレームワークを提案する。
当社のフレームワークは,各ロールアウトを,その健全な仮説,進捗,障害モードを保存する構造的な要約に変換する。
提案手法は,SWE-Bench Verified および Terminal-Bench v2.0 におけるフロンティア符号化エージェントの性能を一貫して改善する。
論文 参考訳（メタデータ） (2026-04-16T17:39:33Z) - 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) - Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。
本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。
これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文 参考訳（メタデータ） (2024-06-05T13:36:38Z) - Timely Communications for Remote Inference [16.671201899392585]
リモート推論システムにおけるデータの鮮度の影響を解析する。
そこで本稿では,特徴の送出のための"selection-from-buffer"モデルを提案する。
また、推論性能を向上させるために、低複雑さスケジューリングポリシーを設計する。
論文 参考訳（メタデータ） (2024-04-25T01:53:21Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。
提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文 参考訳（メタデータ） (2023-12-03T05:52:30Z) - Continual Test-Time Domain Adaptation [94.51284735268597]
テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。
CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
論文 参考訳（メタデータ） (2022-03-25T11:42:02Z)
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。