Fugu-MT 論文翻訳(概要): Timestral

論文の概要: Timestral

arxiv url: http://arxiv.org/abs/2610.37585v1
Date: Tue, 27 Oct 2026 17:25:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-29 04:15:49.278024
Title: Timestral
Title（参考訳）: 時制
Abstract要約: 確率予測のための4つの時系列基礎モデルのファミリーであるTimestralを紹介する。 TimestralはGIFT-Eval、TIME、fev-benchで、Timestral-209MとTimestral-123Mがそれぞれの指標で上位2位を占めている。
参考スコア（独自算出の注目度）: 215.26788762809613
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce Timestral, a family of four time series foundation models for probabilistic forecasting, with 5M, 28M, 123M, and 209M parameters. Timestral sets a new state of the art on GIFT-Eval, TIME, and fev-bench, where Timestral-209M and Timestral-123M take the top two places on every metric. We achieve this with three ingredients: Decoupled Horizon Forecasting (DHF), which separates prediction tokens from the causally encoded context, so that longer horizons are trained without masking context and each observed value is both a forecast target and context for later forecasts; a covariate framework that natively supports known-future covariates within a causal architecture; and a two-stage pipeline that pretrains exclusively on a diverse, large-scale synthetic corpus before post-training on a mix of real and synthetic data with extended context. This report describes the model design and its benchmark results. Weights for all four models are available on Hugging Face and inference code on GitHub.
Abstract（参考訳）: 我々は5M,28M,123M,209Mパラメータを持つ確率予測のための4つの時系列基礎モデルであるTimestralを紹介する。 TimestralはGIFT-Eval、TIME、fev-benchに新しい最先端を設定しており、Timestral-209MとTimestral-123Mがそれぞれの指標で上位2位を占めている。予測トークンを因果的に符号化されたコンテキストから分離する分離された水平予測(DHF)により、より長い地平線をマスキングせずに訓練し、それぞれの観測値が後の予測の予測対象とコンテキストの両方である。本報告では,モデル設計とそのベンチマーク結果について述べる。 4つのモデルのウェイトは、GitHubのHugging Faceと推論コードで利用可能だ。

関連論文リスト

Pythia: Toward Foundation World Models for Multimodal Time Series [12.3575752227525]
Pythiaは、データセット間でコンテキスト条件付き潜在ダイナミクスを学習する基礎的世界モデルである。停止段階の数値参照は、将来の予測状態に対する文脈補正を導く。別個の確率的デコーダは、凍結した予測表現に適応し、観測された歴史に適応する。
論文参考訳（メタデータ） (2026-10-04T14:12:17Z)
Monotone-Constrained Diffusion Models for Long-Horizon Production Forecasting [0.5156484100374059]
物理SIMS-TSは, 合成人工物に対する負の誘導, 減少曲線の制約, サンプリング時に適用される等張投影, 空間的トレーニング増強, および完全な予測分布をもたらすアンサンブルサンプリングを組み合わせた条件拡散予測器である。 3つの管轄区域と35,000以上の井戸は、共有空間、検証・凍結されたプロトコルの下で、物理SIMS-TSは比較において最も正確な拡散予測器であり、アンサンブル変換器の予測器と競合するが、優位ではない。
論文参考訳（メタデータ） (2026-09-18T23:39:28Z)
RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文参考訳（メタデータ） (2026-06-23T02:11:04Z)
Forecasting Ionospheric Irregularities on GNSS Lines of Sight Using Dynamic Graphs with Ephemeris Conditioning [1.100580615194563]
我々は、電離圏のピアス点(IPP)上の動的グラフとして電離圏をモデル化する。この特性を将来のグラフ構造に関する条件予測に活用する。これにより、予測地平線にのみ現れる視線を予測できる。
論文参考訳（メタデータ） (2026-04-20T15:04:20Z)
Timer-S1: A Billion-Scale Time Series Foundation Model with Serial Scaling [51.78972657142583]
我々は、Timer-S1、強力なMixture-of-Experts(MoE)時系列基礎モデル、合計8.3Bのパラメータ、各トークンの0.75Bのアクティブパラメータ、コンテキスト長11.5Kについて紹介する。既存のトレーニング済み時系列基盤モデルのスケーラビリティボトルネックを克服するため,シリアルスケーリングを3次元で実施する。
論文参考訳（メタデータ） (2026-03-05T04:13:57Z)
Beyond Curve Fitting: Neuro-Symbolic Agents for Context-Aware Epidemic Forecasting [6.67449278650973]
そこで我々は,手,足,口の病気を予測するための2エージェント・フレームワークを提案する。イベントインタプリタ」は、学校スケジュール、気象サマリー、レポートを含む信号を処理します。ニューロシンボリックコアは、これを歴史的なケースカウントと組み合わせて、キャリブレーションされた確率予測を生成する。
論文参考訳（メタデータ） (2025-11-28T15:29:26Z)
FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
論文参考訳（メタデータ） (2025-07-16T11:22:18Z)
Output Scaling: YingLong-Delayed Chain of Thought in a Large Pretrained Time Series Forecasting Model [55.25659103706409]
このフレームワークは,設計した基盤モデルであるYingLongの最先端性能を実現する。 YingLongは、マスク付きトークンリカバリによってトレーニングされた非因果的双方向アテンションエンコーダのみのトランスフォーマーである。我々は、6Mから3Mパラメータの4つの基礎モデルをリリースし、ゼロショットタスクにおいて優れた結果を示す。
論文参考訳（メタデータ） (2025-05-20T14:31:06Z)
TimePFN: Effective Multivariate Time Series Forecasting with Synthetic Data [22.458320848520042]
TimePFNは、ベイズ推定の近似を目的としたPFN(Presideed-data Fitted Networks)の概念に基づいている。我々は、いくつかのベンチマークデータセット上でTimePFNを評価し、MSS予測のための既存の最先端モデルよりも優れていることを示す。
論文参考訳（メタデータ） (2025-02-22T16:55:14Z)

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。