論文の概要: Time Flies When You Parallelise: Pareto-efficient Time Series Foundation Models with Linear Recurrences
- arxiv url: http://arxiv.org/abs/2611.16934v1
- Date: Thu, 12 Nov 2026 15:20:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.501278
- Title: Time Flies When You Parallelise: Pareto-efficient Time Series Foundation Models with Linear Recurrences
- Title(参考訳): 並列化時のタイムフライ:線形再帰を伴うパレート効率の時系列基礎モデル
- Abstract要約: ci-proto(ci-proto)は、マンバ3をベースとした時系列基礎モデルのファミリーである。
トレーニング中のチャンクワイズ並列インタイム計算をサポートし、シーケンス長と線形にスケールする推論コストをサポートする。
Ci-proto XLは、時系列基礎モデルの中で、新しい技術の状態を定めている。
- 参考スコア(独自算出の注目度): 7.665941611569462
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time series foundation models have demonstrated strong zero-shot forecasting performance, but computational efficiency remains a central architectural challenge. Temporal self-attention incurs quadratic cost in the number of temporal tokens, while nonlinear recurrent state transitions restrict parallel computation along the temporal dimension. We introduce ci-proto, a family of time series foundation models based on Mamba-3, whose linear state recurrences support chunk-wise parallel-in-time computation during training, and inference costs that scale linearly with sequence length. The architecture alternates recurrent temporal processing with cross-variate attention, supporting multivariate probabilistic forecasting with past-only and future-known covariates. Across fev-bench's 100 forecasting tasks, ci-proto XL sets a new state of the art among time series foundation models. The five ci-proto variants also make up the entire Pareto frontier for mean scaled quantile loss and mean absolute scaled error against both parameter count and median runtime.
- Abstract(参考訳): 時系列基礎モデルは強いゼロショット予測性能を示したが、計算効率は依然として中心的なアーキテクチャ上の課題である。
時間的自己アテンションは、時間的トークンの数で二次的なコストを発生させ、非線形リカレント状態遷移は時間的次元に沿った並列計算を制限する。
そこで我々は,Mamba-3をベースとした時系列基礎モデルであるci-protoを紹介した。
このアーキテクチャは、繰り返し時間処理とクロス変量処理を交互に行い、過去のみおよび未来の共変量を含む多変量確率予測をサポートする。
fev-benchの100の予測タスク全体で、ci-proto XLは時系列の基礎モデルの中で新しい最先端のモデルを定義している。
5つのci-proto変種は、平均スケールド量子損失とパラメータカウントと中央値ランタイムの両方に対する絶対スケールエラーに対してパレートフロンティア全体を構成している。
関連論文リスト
- TB-Transolver: Parallelized and Coherent Long-Horizon Rollouts via Temporal Bundling for Time-Dependent PDEs [0.34376560669160394]
TB-Transolverは時間依存PDEのためにTransolverをスケールする時間的結合に基づく効率的なフレームワークである。
本研究では, 可塑性, 流体力学, 反応拡散, 大域気象予報という, 物理的に異なる4つの領域におけるTB-Transolverの計算効率を実証した。
論文 参考訳(メタデータ) (2026-11-02T23:07:46Z) - 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) - TiRex-2: Generalizing TiRex to Multivariate Data and Streaming [18.283731851361182]
TiRex-2はxLSTMベースの時系列基礎モデルである。
TiRex を過去と将来の共変量と共に多変量予測に一般化する。
TiRex-2はGIFT-Evalとfev-benchで最先端のゼロショット性能を実現する。
論文 参考訳(メタデータ) (2026-07-01T17:45:04Z) - 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) - Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための因果変換器Timer-XLを提案する。
大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
論文 参考訳(メタデータ) (2024-10-07T07:27:39Z) - TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳(メタデータ) (2024-02-04T13:10:51Z)
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。