論文の概要: QUAL: Quantile Alignment Improves Zero-Shot Time-Series Foundation Models

• arxiv url: http://arxiv.org/abs/2610.41100v1
• Date: Fri, 30 Oct 2026 00:41:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.569547
• Title: QUAL: Quantile Alignment Improves Zero-Shot Time-Series Foundation Models
• Title（参考訳）: QUIL: ゼロショット時系列基礎モデルを改善する量子アライメント
• Abstract要約: 時系列基礎モデル(TSFM)は、目に見えないシリーズのゼロショット予測を提供するが、その精度はデータセットによって異なる。 モデルプールは最終アンサンブルだけでなく,各メンバー予測を変換する確率基準としても有用である。 この発見を動機として,多様なTSFMを改良・統合するための単純なラベルフリーフレームワークであるQUALを提案する。
• 参考スコア（独自算出の注目度）: 13.359564942661251
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Time-series foundation models (TSFMs) provide zero-shot forecasts for unseen series, but their accuracy varies across datasets. Combining several models can reduce this variability, yet zero-shot deployment provides no target labels for selecting or weighting them. We find that a model pool is useful not only as a final ensemble, but also as a probability reference for transforming each member forecast. Aligning quantiles through this pool-relative reference improves every member forecast in aggregate. Motivated by this finding, we propose QUAL (Quantile alignment), a simple label-free framework for improving and combining diverse TSFMs. QUAL first produces aligned member forecasts, then applies Huber aggregation and rearrangement to obtain a robust combined forecast without training or model modification. On GIFT-Eval, quantile alignment reduces average member MASE and CRPS by 7.4% and 9.8%. The full framework remains robust when weak forecasters enter a candidate pool whose quality cannot be verified in advance. Code is available at https://github.com/junhyeokkang/QUAL.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は、目に見えないシリーズのゼロショット予測を提供するが、その精度はデータセットによって異なる。 複数のモデルを組み合わせることで、この可変性を低減できるが、ゼロショットデプロイメントでは、選択や重み付けのためのターゲットラベルが提供されない。 モデルプールは最終アンサンブルだけでなく,各メンバー予測を変換する確率基準としても有用である。 このプール相対参照による量子化の調整は、アグリゲーションにおける全てのメンバー予測を改善する。 この発見に触発され,多様なTSFMを改良・結合するための単純なラベルフリーフレームワークであるquantile alignmentを提案する。 QUIL はまずアライメントされたメンバー予測を生成し、次にハマーアグリゲーションとアレンジメントを適用して、トレーニングやモデル修正なしに堅牢な組み合わせ予測を得る。 GIFT-Evalでは、量子アライメントは平均メンバーMASEとCRPSを7.4%、9.8%減少させる。 弱い予測者が事前に品質を検証できない候補プールに入ると、完全なフレームワークは引き続き堅牢である。 コードはhttps://github.com/junhyeokkang/QUAL.comで入手できる。

関連論文リスト

• RIPPLE in Still Water: Zero-Shot Clustering in Federated Learning with Wavelet Scattering Transform [51.56484100374058]
  クラスタ化されたフェデレートラーニング(FL)は、クライアントを同じローカル分布のグループに分割し、クラスタ毎に1つの特別なモデルを訓練する。 本稿では、各クライアントのローカルデータのスペクトル特性からクラスタ割り当てを完全にオフラインで計算するクラスタリングFLフレームワークであるRIPPLEを提案する。
  論文  参考訳（メタデータ） (2026-10-02T09:35:39Z)
• Federated Martingale Posterior Samping [28.76805404959501]
  フェデレートされたベイズニューラルネットワークは、モデルパラメータの事前を、可能性とともに修正する必要がある。 予測モデルの急速な進歩により、マーチンゲール後部は予測ベイズ(英: predictive Bayes)とも呼ばれ、予測分布に置き換えられる。 このレターでは、フェデレーションマーチンゲール後部サンプリング(FMP)を提案する。これは、クライアントがトレーニング可能なデータの小さなセットをアップロードし、サーバが予測サンプルを集中的に実行する、ワンショットの恥ずかしい並列プロトコルである。
  論文  参考訳（メタデータ） (2026-05-18T15:33:18Z)
• Model soups need only one ingredient [34.18140086731622]
  目標分布上の微調整済みの大規模な事前学習モデルは、しばしば分布内(ID)の精度を改善するが、ロバスト性は犠牲となる。 Model Soupsのような重み空間のアンサンブルメソッドは、複数のチェックポイントを平均化することによって、この効果を緩和する。 単一チェックポイントのみを使用して強力なID-OODバランスを実現する,シンプルでデータフリーでハイパーパラメータフリーなポストホック方式であるMonoSoupを紹介する。
  論文  参考訳（メタデータ） (2026-02-10T11:44:19Z)
• One-Embedding-Fits-All: Efficient Zero-Shot Time Series Forecasting by a Model Zoo [82.65837388129746]
  Time Series Foundation Models (TSFM) はゼロショット予測を大幅に進歩させた。 異なるモデルが異なる時間パターンの好みを示すため、単一のTSFMが普遍的に優れているものはない。 本稿では,各モデルの予測強度を特徴付けるZooCastを提案する。
  論文  参考訳（メタデータ） (2025-09-04T13:34:54Z)
• Variational Gaussian Mixture Manifold Models for Client-Specific Federated Personalization [0.0]
  VGM$2$は、クライアント固有のパラメトリックUMAP埋め込みを学習する幾何学中心のPFLフレームワークである。 各クライアントは、マーカーの重み、手段、およびばらつきに対してディリクレ-ノルマル-逆-ガンマの後部を保持する。 VGM$2$は、強いベースラインに比べて、競争力または優れたテストF1スコアを達成する。
  論文  参考訳（メタデータ） (2025-09-04T01:28:02Z)
• Test-Time Alignment via Hypothesis Reweighting [56.71167047381817]
  大規模な事前訓練されたモデルは、しばしば未指定のタスクで苦労する。 テストタイムのユーザ意図にモデルを整合させるという課題に対処する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-11T23:02:26Z)
• Fed-ensemble: Improving Generalization through Model Ensembling in Federated Learning [5.882234707363695]
  Fed-ensembleがFederated Learning(FL)にモデルアンサンブルをもたらす フェデアンサンブルは確立されたFL法で容易に利用することができる。
  論文  参考訳（メタデータ） (2021-07-21T14:40:14Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。