論文の概要: Decouple to Reuse: Fine-Grained Knowledge Augmentation for Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2611.05993v1
• Date: Wed, 04 Nov 2026 05:37:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.953345
• Title: Decouple to Reuse: Fine-Grained Knowledge Augmentation for Time Series Foundation Models
• Title（参考訳）: 再利用への切り離し:時系列基礎モデルのための細粒度知識強化
• Abstract要約: 時系列予測は、現代のウェブサービスにおける需要予測と資源管理にとって重要である。 トレーニング済みの時系列ファンデーションモデル(TSFM)を下流タスクに適用することは、ドメインシフトのため、依然として難しい。 本稿では,学習前知識を2段階に分離し,タスク共有残余コードブックに集約する手法を提案する。
• 参考スコア（独自算出の注目度）: 38.96176721584123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting is critical for demand prediction and resource management in modern Web services, yet applying pretrained Time Series Foundation Models (TSFMs) to downstream tasks remains challenging due to domain shifts. Existing retrieval-augmented approaches typically retrieve coarse-grained window contexts and may introduce context-specific noise. To address this problem, we argue that temporal patterns should be reused at a decomposition level, as effective trend and seasonal dynamics may originate from different contexts. We propose \method, a two-stage \underline{F}ine-grained \underline{K}nowledge \underline{A}ugmentation framework that decouples and consolidates pre-training knowledge into compact, task-shared residual codebooks to enhance frozen TSFMs. Specifically, Stage I constructs dual-branch residual codebooks for decoupled trend and seasonal signals, while Stage II dynamically retrieves and merges these fine-grained patterns into target representations via task-adaptive aggregation and gate fusion. Extensive experiments across eight real-world benchmarks with four representative TSFM backbones demonstrate the superior effectiveness and computational efficiency of \method, while further validating the strong transferability of the residual codebooks across different backbones. The source code is available at the anonymous repository: https://github.com/yuppielqx/TSFM-Component-Token-Adapter
• Abstract（参考訳）: 時系列予測は、現代のWebサービスにおける需要予測やリソース管理において重要であるが、事前訓練された時系列基礎モデル(TSFM)を下流のタスクに適用することは、ドメインシフトのために依然として困難である。 既存の検索拡張アプローチは通常、粗いウィンドウコンテキストを検索し、コンテキスト固有のノイズを導入する。 この問題に対処するために、時間的パターンは分解レベルで再利用されるべきであり、実効的な傾向と季節的ダイナミクスは異なる文脈から生じる可能性があると論じる。 そこで,本研究では,2段階の ‘method, a two-stage \underline{F}ine-grained \underline{K}nowledge \underline{A}ugmentation framework を提案する。 特に、Stage Iはトレンドと季節信号の分離のための二重分岐残差コードブックを構築し、Stage IIはタスク適応アグリゲーションとゲート融合によって、これらの細粒度パターンをターゲット表現に動的に取り込んでマージする。 4つの代表的なTSFMバックボーンを持つ8つの実世界のベンチマークに対する大規模な実験は、異なるバックボーン間の残留コードブックの強い転送性を検証しながら、Shamethodの優れた効率と計算効率を示す。 ソースコードは匿名リポジトリで入手できる。 https://github.com/yuppielqx/TSFM-Component-Token-Adapter

関連論文リスト

• RACE: Residual-Aware Test-Time Adaptation for Neighbor-Rich Time-Series Foundation Model Forecasting [77.45682913395635]
  時系列基礎モデル (TSFM) は, 予測タスク全体にわたって強く機能するが, 系列ごとの推測は近隣のリッチな予測に不適である。 RACE(Residual-Aware Correction of Forecasting Errors, Residual-Aware Correction of Forecasting Errors)は、2段階のフレームワークである。
  論文  参考訳（メタデータ） (2026-09-30T13:14:38Z)
• Reasoning-Aware Training for Time Series Forecasting [44.62309170542093]
  Time Series Foundation Models (TSFMs) は数値予測では優れているが、定性的推論を欠いたブラックボックスとして運用されている。 テキストトークンライザは連続した数値を断片化し、数学的関係を劣化させ、配列の長さを爆発させる。 STRIDE (Strategic Time-Series Reasoning Injected by Distilled Embeddings) について紹介する。 STRIDEは離散トークンの代わりに、トレースの推論を軽量のLCMに蒸留し、ターゲットの数値エンコーダに先立って平均プールされた隠された状態をクロスモーダルとして動的に投影する。
  論文  参考訳（メタデータ） (2026-05-09T02:41:47Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• A Foundation Model for Instruction-Conditioned In-Context Time Series Tasks [0.7677431882779153]
  In-context Learning (ICL) では、モデルをパラメータを更新するのではなく、例に条件付けすることで推論時に適応させることができる。 本稿では,量子レグレッションT5エンコーダを用いた命令条件付き時系列タスクの基礎モデルを提案する。
  論文  参考訳（メタデータ） (2026-03-23T21:24:41Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• TFMAdapter: Lightweight Instance-Level Adaptation of Foundation Models for Forecasting with Covariates [21.978694988304692]
  時系列基礎モデル(TSFM)は、最近、新しい時系列の単変量予測において最先端のパフォーマンスを達成した。 我々は,TSFMを微調整なしで共変情報で拡張する,軽量なインスタンスレベルのアダプタであるFMAdapterを提案する。 実世界のデータセットに関する大規模な実験は、FMAdapterがファンデーションモデルと教師付きベースラインの両方を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-09-17T11:13:14Z)
• FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [57.577843653775]
  textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。 マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
  論文  参考訳（メタデータ） (2025-07-07T04:09:45Z)
• TRACE: Grounding Time Series in Context for Multimodal Embedding and Retrieval [32.06255656982559]
  TRACEは、時系列をテキストコンテキストに埋め込む汎用マルチモーダルレトリバーである。 Text-to-TimeseriesやTimeeries-to-Textなど、柔軟なクロスモーダル検索モードをサポートする。 TRACEは強力なスタンドアロンエンコーダとしても機能し、コンテキスト対応の表現を洗練するための軽量なタスク特化チューニングを備えている。
  論文  参考訳（メタデータ） (2025-06-10T17:59:56Z)

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。