論文の概要: TimeOmni-Live: Continuous & Live Time Series Understanding with Long-Term Memory
- arxiv url: http://arxiv.org/abs/2611.09502v1
- Date: Fri, 06 Nov 2026 14:22:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-10 12:00:36.668391
- Title: TimeOmni-Live: Continuous & Live Time Series Understanding with Long-Term Memory
- Title(参考訳): TimeOmni-Live: 長期記憶による継続的およびライブ時系列理解
- Abstract要約: CL-TSU(Continuous and Live Time Series Understanding)について紹介する。
CL-TSUは、オープンなデータストリームに対する永続的でステートフルな理解を維持することに重点を移している。
CL-TS用に設計された初の包括的データスイートであるLiveTS-Suiteを紹介する。
我々は,最初のライブ時系列理解モデルであるTime Omni-Liveを提案する。
- 参考スコア(独自算出の注目度): 74.2687731073423
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Existing time series language models predominantly follow an offline, one-shot paradigm: they process fixed-length inputs independently and do not retain past states. This static approach fundamentally misaligns with the continuous nature of real-world streaming applications and fails to maintain the historical context necessary for cross-window reasoning. To bridge this gap, we introduce Continuous & Live Time Series Understanding (CL-TSU), a novel paradigm that shifts the focus toward maintaining a persistent, stateful understanding over open-ended data streams. To systematically evaluate this paradigm, we present LiveTS-Suite, the first comprehensive data suite tailored for CL-TSU, supporting data generation, model training, and systematic evaluation across 18 tasks spanning six core capabilities. It comprises over 5K streams totaling 2.2B timesteps, annotated with 15K specific response events. We further design an evaluation protocol that jointly assesses response timeliness, content accuracy, and computational efficiency. Building on this foundation, we propose TimeOmni-Live, the first live time series understanding model. It integrates a hybrid time series encoding for natively temporal input, a stream-persistent hybrid memory mechanism to effectively preserve exact historical evidence and long-term task states, and an elastic stream-inference synchronization strategy to reduce processing lag. Evaluations show that TimeOmni-Live establishes a strong baseline for CL-TSU, outperforming frontier LLMs (90.0 vs. 79.3 for Opus 5) with only 4B parameters and achieving 206$\times$ lower p95 latency than its backbone. Deployment on a Jetson edge device further shows its ability to support real-time continuous temporal understanding locally at the edge.
- Abstract(参考訳): 既存の時系列言語モデルは、主にオフラインのワンショットパラダイムに従い、固定長の入力を独立して処理し、過去の状態を保持しない。
この静的アプローチは、基本的に現実世界のストリーミングアプリケーションの継続的な性質と不一致であり、クロスウィンドウ推論に必要な歴史的コンテキストを維持するのに失敗する。
このギャップを埋めるために、オープンなデータストリームに対する永続的でステートフルな理解に焦点を移す新しいパラダイムであるContinuous & Live Time Series Understanding (CL-TSU)を紹介します。
このパラダイムを体系的に評価するために,CL-TS用に開発された初の総合データスイートであるLiveTS-Suiteを提案する。
5K以上のストリームは合計2.2Bのタイムステップで構成され、15Kの特定のレスポンスイベントに注釈付けされている。
さらに、応答タイムライン、コンテンツ精度、計算効率を共同で評価する評価プロトコルを設計する。
この基礎の上に構築されたTimeOmni-Liveは,最初の実時間時系列理解モデルである。
ネイティブな時間入力のためのハイブリッド時系列エンコーディング、正確な歴史的証拠と長期タスク状態を効果的に保存するためのストリーム持続型ハイブリッドメモリ機構、処理遅延を低減するための弾力的なストリーム参照同期戦略を統合する。
評価によると、TimeOmni-LiveはCL-TSの強力なベースラインを確立し、4Bパラメータしか持たず、バックボーンよりも206$\times$低いp95レイテンシを実現している。
Jetsonエッジデバイスへのデプロイはさらに、エッジのローカルでリアルタイムな時間的理解をサポートする能力を示している。
関連論文リスト
- TimeInteract: Towards Real-Time Interactive Intelligence for Streaming Time Series [63.51670715618216]
時系列インタラクション(Time-Series Interaction)は、到着する時系列の観測とユーザ意図を認識し、いつ沈黙するか、応答するかを自律的に決定し、応答生成中に新しい観測処理を継続するモデルである。
StreamTSI-34Kは大規模なストリーミングTSインタラクションデータセットで,34,588エピソードと77,505応答を合成時系列と実時間時系列に1回,複数回設定して構築する。
論文 参考訳(メタデータ) (2026-09-22T13:29:03Z) - StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。
追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。
メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
論文 参考訳(メタデータ) (2026-08-26T17:33:19Z) - StreamArena: Toward Continuous, Interactive, and Long-Horizon Agentic Streaming Video Understanding [42.88155526332792]
時間スケールでインタラクティブなストリーミングビデオ理解のためのベンチマークであるStreamArenaを紹介する。
多様なシステムに対する評価は、連続的な相互作用と長距離多モード理解の間の緊張を露呈する。
レイテンシクリティカルなインタラクションとアクティブな監視を,独立したスケジュール作業者に割り当てる2層アーキテクチャであるStreamMindとの緊張に対処する。
論文 参考訳(メタデータ) (2026-08-06T07:46:37Z) - Enhancing Irregular Time Series Forecasting with Continuous-Time Modeling Framework [15.900704071560698]
WrapFlowは、不規則な時系列予測のための連続時間モデリングフレームワークである。
本研究では,ベース予測に関する条件付き残差ベクトル場を学習する残差フローマッチングの訓練パラダイムを開発する。
複数の実世界のデータセットの実験は、WrapFlowが最先端のパフォーマンスを達成することを示した。
論文 参考訳(メタデータ) (2026-07-30T11:18:18Z) - SHARP: Sleep-based Hierarchical Accelerated Replay for Long Range Non-Stationary Temporal Pattern Recognition [7.555597360852762]
SHARP(Sleep-based Hierarchical Accelerated Replay)は、時間学習を2つの補完的なコンポーネントに分解するフレームワークである。
SHARPは、緩やかな睡眠中に、げっ歯類で観察される加速されたリプレイにインスパイアされ、時間的に構造化されたメモリトレースをアクセラレーションされた形で再生するオフライン(スリープ)フェーズを組み込む。
論文 参考訳(メタデータ) (2026-05-30T13:55:02Z) - TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。
現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。
Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
論文 参考訳(メタデータ) (2026-05-11T13:23:14Z) - Time-TK: A Multi-Offset Temporal Interaction Framework Combining Transformer and Kolmogorov-Arnold Networks for Time Series Forecasting [6.1337977581640075]
既存のメソッドは通常、各ステップを独立したトークンとして埋め込む戦略を採用している。
Time-TKはすべてのベースラインモデルを大幅に上回り、最先端の予測精度を達成している。
論文 参考訳(メタデータ) (2026-01-30T10:11:51Z) - Chronos: Learning the Language of Time Series [79.38691251254173]
Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。
クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
論文 参考訳(メタデータ) (2024-03-12T16:53:54Z)
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。