Sıfır atışlı zaman serisi temel modelleri (TSFM'ler), seri başına eğitim olmadan anormallik tespiti ve tahmini de dahil olmak üzere çeşitli aşağı yönlü görevleri yerine getirdiği için göreve özgü modellere göre çekici alternatifler haline geldi. Bununla birlikte, zaman serisi verileri dağılım kaymalarına uğrar ve iki rejim arasındaki farklılık genellikle daha yüksek bir puanın daha şiddetli bir değişim olarak okunduğu Wasserstein-1 gibi istatistiksel ölçümlerle puanlanır. Üç standart trafik veri kümesinden dokuz rejim değişikliğine ilişkin yerleşik üç şiddet ölçüsünü kullanan sistematik deneylerde, bu önlemlerin örnek-normalleştirilmiş TSFM'ler için bozulmayı güvenilir bir şekilde tahmin etmediğini gösterdik.
- Sıfır atışlı zaman serisi temel modelleri (TSFM'ler), seri başına eğitim olmadan anormallik tespiti ve tahmini de dahil olmak üzere çeşitli aşağı yönlü görevleri yerine getirdiği için göreve özgü modellere göre çekici alternatifler haline geldi.
- Bununla birlikte, zaman serisi verileri dağılım kaymalarına uğrar ve iki rejim arasındaki farklılık genellikle daha yüksek bir puanın daha şiddetli bir değişim olarak okunduğu Wasserstein-1 gibi istatistiksel ölçümlerle puanlanır.
- Üç standart trafik veri kümesinden dokuz rejim değişikliğine ilişkin yerleşik üç şiddet ölçüsünü kullanan sistematik deneylerde, bu önlemlerin örnek-normalleştirilmiş TSFM'ler için bozulmayı güvenilir bir şekilde tahmin etmediğini gösterdik.
Sıfır atışlı zaman serisi temel modelleri (TSFM'ler), seri başına eğitim olmadan anormallik tespiti ve tahmini de dahil olmak üzere çeşitli aşağı yönlü görevleri yerine getirdiği için göreve özgü modellere göre çekici alternatifler haline geldi.
02 Özet
Sıfır atışlı zaman serisi temel modelleri (TSFM'ler), seri başına eğitim olmadan anormallik tespiti ve tahmini de dahil olmak üzere çeşitli aşağı yönlü görevleri yerine getirdiği için göreve özgü modellere göre çekici alternatifler haline geldi. Bununla birlikte, zaman serisi verileri dağılım kaymalarına uğrar ve iki rejim arasındaki farklılık genellikle daha yüksek bir puanın daha şiddetli bir değişim olarak okunduğu Wasserstein-1 gibi istatistiksel ölçümlerle puanlanır. Üç standart trafik veri kümesinden dokuz rejim değişikliğine ilişkin yerleşik üç şiddet ölçüsünü kullanan sistematik deneylerde, bu önlemlerin örnek-normalleştirilmiş TSFM'ler için bozulmayı güvenilir bir şekilde tahmin etmediğini gösterdik. En şiddetli olarak derecelendirilen rejimler, modelleri en çok bozan rejimler değildir ve en düşük puan alan rejimde bozulma %29'a ulaşmaktadır. Çoğu durumda denetim, ölçülen ciddiyet ile model bozulması arasında pozitif bir ilişki olmadığını gösterir. Ciddiyet okumalarının neden model bozulmasından ayrılabileceğini açıklayan denklik bazlı bir stres testi analizi sağlıyoruz.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
Zero-shot time-series foundation models (TSFMs) have become attractive alternatives to task-specific models because they handle diverse downstream tasks, including anomaly detection and forecasting, without per-series training. However, time-series data undergo distribution shifts, and the dissimilarity between two regimes is commonly scored with statistical measures such as Wasserstein-1, where a higher score is read as a more severe shift. In systematic experiments using three established severity measures on nine regime shifts from three standard traffic datasets, we show that these measures do not reliably predict degradation for instance-normalized TSFMs. The regimes rated most severe are not the regimes that degrade the models most, and degradation reaches 29% in the lowest-scoring regime. In most cases, the audit shows no positive relationship between measured severity and model degradation. We provide an equivariance-based stress-testing analysis that explains why severity readings can become decoupled from model degradation.
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{bishi2026severe,
title = {Severe but Harmless: Stress-Testing Shift Severity for Frozen Time-Series Forecasters},
author = {Korede R. Bishi and Dominic Okonkwo and Adetayo Okunoye},
journal = {arXiv preprint arXiv:2611.21562},
year = {2026},
url = {https://arxiv.org/abs/2611.21562}
}
Bishi, K. R., Okonkwo, D., & Okunoye, A. (2026). Şiddetli Ama Zararsız: Dondurulmuş Zaman Serisi Tahmincileri için Stres Testi Değişim Şiddeti. arXiv. https://arxiv.org/abs/2611.21562
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın