論文の概要: TimeWorld: Towards Action-Conditioned Multimodal World Models for Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2610.34797v1
- Date: Mon, 26 Oct 2026 03:39:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.730911
- Title: TimeWorld: Towards Action-Conditioned Multimodal World Models for Time Series Forecasting
- Title（参考訳）: TimeWorld: 時系列予測のためのアクションコンディション型マルチモーダルワールドモデルを目指して
- Abstract要約: 時系列予測は、オンライン小売やネットワーク管理といったWebアプリケーションの意思決定をサポートする。
世界モデルは、歴史的パターンの外挿を超えた行動依存的な変化を予測するための自然なパラダイムを提供する。
我々は、明示的なアクション・レスポンス・モデリングを通じて事前訓練されたTSFMに適応するプラグイン・フレームワークであるTimeWorldを提案する。
- 参考スコア（独自算出の注目度）: 9.700098248772532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series forecasting supports decision-making in web applications such as online retail and network management, where planned actions can reshape future dynamics. World models provide a natural paradigm for predicting such action-dependent changes beyond extrapolating historical patterns. However, existing time series world models (TSWMs) typically rely on fixed, domain-specific covariate schemas that limit flexible intervention specification, while multimodal forecasters treat text primarily as passive predictive context. To investigate these gaps, we introduce TSWM-Bench, a cross-domain benchmark for multimodal TSWMs spanning seven real-world datasets, with textual interventions grounded in recorded action--outcome data. Our evaluation reveals that conventional multimodal forecasters underperform history-only time series foundation models (TSFMs) despite dataset-specific training, whereas simple text-prefix adaptations improve forecasting across all evaluated TSFM backbones. These findings suggest that pretrained TSFMs encode implicit world knowledge of temporal dynamics, offering a strong foundation for action-conditioned modeling beyond conventional multimodal fusion. Building on this insight, we propose TimeWorld, a plug-in framework that adapts pretrained TSFMs through explicit action-response modeling. Specifically, the Prototype-Guided Latent Modulation (PLM) module grounds textual actions in temporal dynamics by composing representative response prototypes to modulate future representations based on the action and historical patterns. The Action Contrastive Learning (ACL) component strengthens action-specific response modeling by contrasting these updates under alternative interventions sharing the same history, distinguishing action types while preserving relative intensity relationships.
- Abstract（参考訳）: 時系列予測は、オンライン小売やネットワーク管理のようなWebアプリケーションの意思決定をサポートする。
世界モデルは、歴史的パターンの外挿以上の行動依存的な変化を予測するための自然なパラダイムを提供する。
しかしながら、既存の時系列世界モデル(TSWMs)は一般的に、柔軟な介入仕様を制限する固定されたドメイン固有の共変スキーマに依存し、マルチモーダル予測器はテキストを主に受動的予測コンテキストとして扱う。
これらのギャップを調査するために,実世界の7つのデータセットにまたがるマルチモーダル TSWM のベンチマークである TSWM-Bench を紹介する。
評価の結果,従来のマルチモーダル予測手法は,データセット固有のトレーニングにもかかわらず,履歴のみの時系列基礎モデル(TSFM)よりも優れており,単純なテキスト修正適応は評価されたTSFMバックボーンの予測を改善することがわかった。
これらの結果は、事前訓練されたTSFMが時間力学の暗黙の世界知識を符号化し、従来のマルチモーダル融合を超えて行動条件モデリングの強力な基盤を提供することを示唆している。
この知見に基づいて、明示的なアクション・レスポンス・モデリングを通じて事前訓練されたTSFMに適応するプラグイン・フレームワークであるTimeWorldを提案する。
具体的には、PLM(Prototype-Guided Latent Modulation)モジュールは、アクションと履歴パターンに基づいて将来の表現を変調する代表応答プロトタイプを構成することで、時相動的にテキストアクションを基底とする。
Action Contrastive Learning (ACL) コンポーネントは、これらの更新を同じ履歴を共有し、相対的な強度関係を維持しながらアクションタイプを区別する代替の介入の下で、アクション固有の応答モデリングを強化する。
関連論文リスト
- Timer-M1: A Multivariate Time Series Foundation Model via Learning Primitives [49.5727564886458]
我々は、ゼロショット予測のためのプリミティブを用いて学習する、事前訓練された多変量時系列基礎モデルであるTimer-M1を紹介する。
3つの大規模な予測ベンチマークの中で、Timer-M1はFEVとTIMEの両方で第1位、GIFT-Evalでは第2位である。
論文 参考訳（メタデータ） (2026-10-08T11:28:56Z) - HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。
HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。
実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
論文 参考訳（メタデータ） (2026-05-11T17:59:56Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。
MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。
このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
論文 参考訳（メタデータ） (2026-02-14T14:00:06Z) - Temporal Graph Pattern Machine [17.352525018007473]
時間的グラフパターンマシン(TGPM)は、時間的に偏ったランダムウォークによって合成された相互作用パッチとして、各相互作用を概念化する。
TGPMは、トランスダクティブリンク予測とインダクティブリンク予測の両方において、常に最先端の性能を達成する。
論文 参考訳（メタデータ） (2026-01-30T01:46:13Z) - UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。
コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。
8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-12-08T05:36:14Z) - Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models [50.877082340479085]
時系列基礎モデル (TSFM) の違いが, 様々な予測設定にまたがって, 特定の性能プロファイルを示すかを検討する。
TSFMの新しい調停フレームワークであるSynapseを提案する。
その結果、Synapseは個々のTSFMだけでなく、他の一般的なアンサンブル技術よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-11-07T18:01:51Z) - UniCast: A Unified Multimodal Prompting Framework for Time Series Forecasting [9.836278124939453]
時系列予測は、ファイナンス、ヘルスケア、環境モニタリングといった分野における基本的なタスクである。
既存のモデルは、視覚やテキストなどのリッチなマルチモーダルコンテキストを無視し、実世界のシナリオで時系列データを伴って運用される。
本稿では、TSFMを拡張して時系列、視覚、テキストのモダリティを併用して予測性能を向上する、パラメータ効率の高い新しいマルチモーダルフレームワークUniCastを提案する。
論文 参考訳（メタデータ） (2025-08-16T07:33:27Z) - LLM4FTS: Enhancing Large Language Models for Financial Time Series Prediction [0.0]
従来の機械学習モデルは、制限されたモデル容量に制約された予測タスクに制限を示す。
我々は、学習可能なパッチセグメンテーションと動的ウェーブレット畳み込みモジュールによる時間的シーケンスモデリングを強化する新しいフレームワークLLM4FTS$を提案する。
実世界の金融データセットの実験は、このフレームワークの有効性を実証し、複雑な市場パターンを捉える上で優れたパフォーマンスを示し、ストックリターン予測の最先端結果を達成する。
論文 参考訳（メタデータ） (2025-05-05T06:48:34Z) - TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series Forecasting [24.834846119163885]
本稿では,時系列表現を効果的に学習できる新しいフレームワークTEMPOを提案する。
TEMPOは、様々な領域のデータから現実世界の時間現象を動的にモデル化する機能を拡張する。
論文 参考訳（メタデータ） (2023-10-08T00:02:25Z)
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。