# 時系列基盤モデルの後学習 ## 定義 時系列基盤モデルの後学習(TSFM post-training)は、事前学習済みの時系列基盤モデルを対象ドメイン、タスク、または配備制約に適応させるため、事前学習後に入力コンテキスト、モデルパラメータ、モデルの組み合わせ、出力、不確実性、計算構造へ介入する方法群である。ファインチューニングだけでなく、検索、記憶、モデル合成、出力補正、較正、蒸留、枝刈りを含む。([[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 3 Taxonomy of TSFMs Post-Training Methods]]) ## 子概念 - [[時系列基盤モデルのパラメータ効率適応]] — バックボーンを部分的に固定して対象条件へ適応する。 - [[時系列基盤モデルの文脈拡張]] — 検索例、記憶、入力変換で追加情報を供給する。 - [[時系列予測の不確実性制御]] — 出力補正、較正、確率化、異常証拠化を扱う。 ## 横断的知見 ## 未解決の問い - 精度、適応データ量、更新コスト、検索・ルーティング遅延、メモリ、較正を共通条件で比較する評価プロトコルをどう設計するか。([[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 9 Future Directions]]) - どの時点で完全ファインチューニングへ移行し、どの時点で検索・較正・軽量適応にとどめるべきか。([[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 9 Future Directions]]) - 予測以外の分類、異常検知、補間で、5つの介入家族の組み合わせにどのような差が生じるか。([[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 6 Model Composition Methods]]) ## 関連 - ソース: [[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 3 Taxonomy of TSFMs Post-Training Methods]] - 文書全体: [[Post-Training in Time Series Foundation Models A Unifying Framework]] - 基盤モデル: [[時系列基盤モデル]] ## 出典 - [[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 3 Taxonomy of TSFMs Post-Training Methods]]