論文の概要: FlexCast: Flexible Context Learning for Time Series Foundation Models
- arxiv url: http://arxiv.org/abs/2611.17862v1
- Date: Fri, 13 Nov 2026 07:50:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.329951
- Title: FlexCast: Flexible Context Learning for Time Series Foundation Models
- Title(参考訳): FlexCast: 時系列基礎モデルのための柔軟なコンテキスト学習
- Abstract要約: 自動回帰(AR)次トーケン予測に基づく時系列基礎モデル(TSFM)は、変数コンテキスト条件付けと自動回帰ロールアウトによる予測単位分解の2つの要因を絡み合わせる。
これらの要因を解消するフレキシブルなコンテキストターゲット学習フレームワークであるFlexCastを提案する。
- 参考スコア(独自算出の注目度): 7.311840168138338
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series foundation models (TSFMs) based on autoregressive (AR) next-token prediction entangle two factors: variable-context conditioning and prediction-unit factorization with autoregressive rollout. Strong AR performance therefore does not reveal whether generalization stems from the flexible training distribution, the local prediction target, the left-to-right inference process, or their combination. We propose FlexCast, a flexible context-target learning framework that disentangles these factors. FlexCast reformulates forecasting as variable-length masked prediction over time series patches: during pretraining, it dynamically samples visible context and masked target patches, exposing the model to diverse context-target configurations without sequential decoding. At inference time, the same pretrained model supports one-step forecasting, confidence-based iterative refinement, and next-token-style generation through a unified mask-and-predict interface, enabling controlled comparison of inference schedules under identical architecture, data, and objective. Evaluated on BLAST and multiple zero-shot benchmarks, FlexCast achieves accuracy competitive with or better than strong TSFM baselines while substantially reducing inference latency. Ablations confirm that context diversity and contiguous target masking drive performance, while left-to-right decoding does not yield consistent gains once flexible context-target relationships have been learned, suggesting that the key benefit of AR-style TSFMs lies in flexible training rather than sequential inference. The code is available at https://github.com/BenchCouncil/FlexCast.
- Abstract(参考訳): 自動回帰(AR)次トーケン予測に基づく時系列基礎モデル(TSFM)は、変数コンテキスト条件付けと自動回帰ロールアウトによる予測単位分解の2つの要因を絡み合わせる。
したがって、ARの性能は、一般化がフレキシブルなトレーニング分布、局所的な予測ターゲット、左右の推論プロセス、あるいはそれらの組み合わせに由来するかどうかを明らかにしていない。
これらの要因を解消するフレキシブルなコンテキストターゲット学習フレームワークであるFlexCastを提案する。
FlexCastは、時系列パッチよりも可変長のマスク付き予測として予測を再構築する。事前トレーニング中は、視覚的コンテキストとマスクされたターゲットパッチを動的にサンプリングし、シーケンシャルなデコードなしで、さまざまなコンテキストターゲット設定にモデルを公開する。
推論時には、同一のアーキテクチャ、データ、目的の下での推論スケジュールの制御された比較を可能にするため、同一の事前訓練モデルが一段階の予測、信頼に基づく反復的改善、および統一されたマスク・アンド・予測インターフェースによる次トーケン型生成をサポートする。
BLASTと複数のゼロショットベンチマークに基づいて評価されたFlexCastは、強いTSFMベースラインと競合する精度を達成し、推論遅延を大幅に削減する。
アブレーションは、コンテキストの多様性と連続的なターゲットマスキング駆動性能は確認するが、左右のデコードでは、フレキシブルなコンテキストとターゲットの関係が学習されると、一貫した利得は得られず、ARスタイルのTSFMの鍵となる利点は、逐次推論よりも柔軟なトレーニングにあることを示唆している。
コードはhttps://github.com/BenchCouncil/FlexCast.comから入手できる。
関連論文リスト
- REER-PT: Reverse-Engineered Reasoning for Perplexity-Guided Pre-training Data Augmentation [64.84437332310516]
我々は,Reverse-Engineered Reasoning (REER) を生の事前学習データに拡張するスケーラブルなフレームワークである textbfREER-PT を紹介する。
REER-PTは予測が難しいが、それ以前のコンテキストから推論できる継続を識別し、コンテキストと継続の間の欠落した接続を再構築する簡潔な推論アノテーションを挿入する。
このスパース変換は、ソーステキストを保存し、トレーニング前のオンライン推論ロールアウトを避けることで、標準的な次世代の予測と互換性を維持します。
論文 参考訳(メタデータ) (2026-08-31T11:34:19Z) - CastFSR: A Fast--Slow--Reflect Agentic Reasoning Framework for Context-Aware Time Series Forecasting [55.05716348844572]
CastFSRは、コンテキスト認識予測をFast-Slow-Reflect--ワークフローとして定式化するエージェントフレームワークである。
コンテキスト証拠を検索し、情報的なルックバックウィンドウを適応的に決定し、コンテキストが将来のダイナミクスをどう形作るのかを判断する。
予測を反復的に洗練し、時間的、コンテキスト的、ドメイン整合性を保証する。
論文 参考訳(メタデータ) (2026-08-04T02:21:36Z) - Time Series as Language: A Universal Tokenizer for General-Purpose Time Series Foundation Models [58.73838451441261]
連続時間列(TS)を離散トークンに変換するユニバーサルトークンライザUniTokと、これらのトークン上でNTPを介して事前訓練された基礎モデルUniTok-FMを紹介する。
UniTok-FMは、ゼロショットとプロンプトブースト予測をサポートし、トレーニング不要なインコンテキスト推論による少数ショットの生成と分類をサポートする汎用基盤モデルである。
論文 参考訳(メタデータ) (2026-05-31T16:04:11Z) - CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。
静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。
LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
論文 参考訳(メタデータ) (2026-02-04T00:12:30Z) - CoGenCast: A Coupled Autoregressive-Flow Generative Framework for Time Series Forecasting [9.177121113587424]
時系列予測は、文脈条件に対する意味的理解と連続時間力学のモデリングの両方を必要とする生成問題と見なすことができる。
既存のアプローチは、セマンティックコンテキストモデリングのための自己回帰的大規模言語モデル(LLM)または連続確率生成のための拡散様モデルのいずれかに依存している。
実効時系列予測のために,事前学習したLLMとフローマッチング機構を結合したハイブリッド生成フレームワークCoGenCastを提案する。
論文 参考訳(メタデータ) (2026-02-03T14:08:10Z) - Rethinking Zero-Shot Time Series Classification: From Task-specific Classifiers to In-Context Inference [34.15455500037426]
我々は、ラベル付きトレーニングセットをコンテキストとして扱い、単一のフォワードパスで全てのテストインスタンスのラベルを予測する、コンテキスト内学習フレームワークTIC-FMを提案する。
TIC-FMは、時系列エンコーダとスプリットメイク潜在メモリ変換器を備えた軽量プロジェクションアダプタをペアリングする。
128のUCRデータセットに対する実験は、極低ラベルの状況で一貫した利得で、強い精度を示す。
論文 参考訳(メタデータ) (2026-01-31T09:17:45Z) - Parallel Sampling from Masked Diffusion Models via Conditional Independence Testing [4.707859580472452]
仮面拡散モデル(MDM)は、離散テキスト生成のための自己回帰モデル(ARM)に代わる魅力的な代替手段を提供する。
シーケンシャルな左から右への生成ではなく、並列トークンサンプリングを可能にする。
本稿では,このトレードオフを再現するモデル非依存のサンプル装置PUNTを紹介する。
論文 参考訳(メタデータ) (2025-10-24T18:41:26Z) - Flexible conditional density estimation for time series [2.819725769698229]
本稿では,時系列の新しい条件密度推定器FlexCodeTSを紹介する。
FlexCodeTSは、選択された回帰法の収束率を継承している。
経験的観点では、FlexCodeTSはシミュレーションデータと実データの両方においてNNKCDEとGARCHと比較される。
論文 参考訳(メタデータ) (2023-01-23T19:11:43Z)
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。