# 時系列基盤モデル ## 定義 時系列基盤モデル(Time Series Foundation Model, TSFM)は、大規模な多ドメイン時系列で事前学習し、ドメインごとの再学習や fine-tuning なしに zero-shot 予測ができる基盤モデル。実運用の観測システムは数百万〜数十億の異なる時系列を生成し、系列ごとの教師あり学習が非現実的なため、単一モデルを水平スケールして低遅延・低コストの推論を提供できる TSFM が有力視される。([[2025__NeurIPS2025__This Time is Different - An Observability Perspective on Time Series Foundation Models]]) ## 横断的知見 - **多変量化が次の主戦場**。初期 TSFM の多くは channel independence で univariate に閉じていたが([[Toto]] 論文が指摘)、2026 年には [[Falcon-X]] が「ほとんどの TSFM は依然 univariate」と同じ問題を起点に cross-variate モデリングを正面課題に据える。両ソースとも univariate の限界を出発点に据える点で一致。詳細手法の比較は [[多変量時系列予測]] に集約。(Source: [[2025__NeurIPS2025__This Time is Different - An Observability Perspective on Time Series Foundation Models]], [[2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]]) - **観測・運用データへの収斂**。[[Toto]]/[[BOOM]] は Datadog の観測メトリクスに特化、[[Falcon-X]] も事前学習に alibaba_cluster_trace・azure_vm_traces・borg_cluster_data を含み、評価に観測系 BOOMLET([[BOOM]] 部分集合)を使う。汎用 TSFM の評価軸が観測テレメトリへ広がりつつある。(Source: [[2025__NeurIPS2025__This Time is Different - An Observability Perspective on Time Series Foundation Models]], [[2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]]) - **アーキテクチャの分岐**: [[Toto]] は decoder-only(151M、次パッチ予測)、[[Falcon-X]] は encoder-only(591M、masked reconstruction + 時間/変量の decoupling)。スケールも 151M→591M と拡大し、Falcon-X は 59M→591M で neural scaling law に従うと報告。(Source: [[2025__NeurIPS2025__This Time is Different - An Observability Perspective on Time Series Foundation Models]], [[2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]]) - 評価指標は MASE(点予測)・CRPS(確率的較正)が de facto 標準として両ソースで共通利用される。(Source: [[2025__NeurIPS2025__This Time is Different - An Observability Perspective on Time Series Foundation Models]], [[2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]]) ## 未解決の問い - 観測データ特化の設計(causal scaling・factorized attention・Student-T mixture)は汎用 benchmark でも効くと示されたが、逆に汎用 TSFM(Moirai・TimesFM・Chronos 等)が観測データで苦戦する根本原因はアーキテクチャか事前学習データの分布か。Toto は両方を変えているため切り分けが未解決。 - encoder-only([[Falcon-X]])と decoder-only([[Toto]]・Timer 系)のどちらが TSFM に適するか。Falcon-X は flexible context/horizon sampling で encoder-only の可変長制約に対処するが、両系統を同条件で比較した結果はまだない。 - 多変量モデリングの利得(Falcon-X が主張)と観測データ特化の利得([[Toto]] が主張)は独立か相補的か。両者を統合した TSFM の検証が未着手。 - TSFM 共通の固定間隔時系列の仮定をどう外すか。欠損点のネイティブ対応、不規則サンプリングへの拡張。 - カレンダー特徴・外生変数を zero-shot 基盤モデルに組み込む方法。 - 観測データ予測の精度向上は、下流の[[異常検知 - MOC|異常検知]]・キャパシティプランニング・[[障害予測]]にどの程度寄与するか(本論文は予測精度のみを評価し下流タスクは未検証)。 - benchmark のデータ leakage 問題(GIFT-Eval で一部競合に既知の leakage)を、運用 telemetry 由来の評価データでどこまで厳密に排除できるか。 ## 関連 - 概念: [[多変量時系列予測]] - ソース: [[2025__NeurIPS2025__This Time is Different - An Observability Perspective on Time Series Foundation Models]] / [[2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]] - エンティティ: [[Toto]] / [[BOOM]] / [[Datadog]] / [[Carnegie Mellon University]] / [[Falcon-X]] / [[Ant International]] / [[Chronos-2]] / [[GIFT-Eval]] / [[fev-bench]] - 関連 MOC: [[時系列基盤モデル - MOC]] / [[異常検知 - MOC]] / [[Telemetry - MOC]] ## 出典 - [[2025__NeurIPS2025__This Time is Different - An Observability Perspective on Time Series Foundation Models]] - [[2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]]