# Post-Training in Time Series Foundation Models: A Unifying Framework ## 概要 時系列基盤モデル(TSFM)の後学習手法を、予測パイプラインへの介入位置という一貫した軸で整理した技術サーベイである。パラメータ適応・コンテキスト拡張・モデル合成・出力処理と不確実性制御・圧縮と特化の5家族に分類し、各家族の代表手法・発展の経緯・限界・将来の方向性を論じる。全10節・34ページ、章相当のセクション構造を持つため章単位で取り込んだ。 > [!abstract] 概要(arXiv abstract の日本語訳) > 時系列基盤モデル(TSFM)は時系列解析の汎用モデルとして登場したが、信頼できる下流配備には事前学習だけでは不十分なことが多い。 > この隔たりを埋めるには、ドメインシフト、タスクの異質性、教師信号の不足、計算上の制約に対処する追加介入が必要であり、これが事前学習済み TSFM を下流タスク向けに適応・拡張・合成・較正・特化する広い方法群としての後学習を動機づける。 > 本論文では、予測パイプラインのどこに介入するかに基づき TSFM の後学習手法を分析し、パラメータ適応、コンテキスト拡張、モデル合成、出力処理と不確実性制御、圧縮と特化の5カテゴリを得る。 > 各カテゴリで代表的な手法を調べ、現在の限界を論じる。 > さらに、制御された適応、信頼できるコンテキスト構築、不確実性を考慮したモデル合成、較正された出力処理、配備を意識した特化に向けた将来の方向性を特定する。 > 全体として、発展途上にある TSFM 後学習の研究領域に統一的な枠組みを与えることで、事前学習済み TSFM と信頼できる下流配備との間にある設計空間を今後の研究が探索できるようにすることを目指す。 ## 書誌情報 - 著者: [[Shifeng Xie]]、[[Ambroise Odonnat]]、[[Zehao Xiao]]、[[Lei Zan]]、[[Malik Tiomoko]]、[[Lujia Pan]]、[[Themis Palpanas]]、[[Boris N. Oreshkin]]、[[Chenghao Liu]]、[[Keli Zhang]] - 所属: [[Noah’s Ark Lab]]、[[Université Paris Cité]]、[[Inria]]、[[Amazon]]、[[Datadog]] - 媒体: arXiv cs.LG、v1 2026-07-22、v2 2026-07-24 - 識別子: arXiv:2607.20002 - 構成: 全10節(章相当)。参考文献は取り込み対象外。 ## 構成と主要テーマ → [[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 1 Introduction]] — TSFM の登場と後学習の必要性、本サーベイの貢献と構成。 → [[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 2 Background]] — TSFM の定義、事前学習の目的関数、後学習の一般形 $\hat{y}=\mathcal{A}(f_{\theta_0},x_{1:T},\mathcal{R})$。 → [[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 3 Taxonomy of TSFMs Post-Training Methods]] — 介入位置に基づく5分類(パラメータ適応/コンテキスト拡張/モデル合成/出力処理と不確実性制御/圧縮と特化)の定義。 → [[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 4 Parameter Adaptation Methods]] — 完全ファインチューニング・パラメータ効率適応・テスト時適応の3分類と発展の経緯。 → [[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 5 Context Augmentation Methods]] — 検索拡張・記憶拡張・コンテキスト変換の3分類。 → [[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 6 Model Composition Methods]] — モデル選択・適応的融合・逐次融合の3分類。 → [[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 7 Output Processing and Uncertainty Control Methods]] — 予測補正・予測較正・確率的出力モデリング・異常検知の4分類。 → [[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 8 Compression and Specialization Methods]] — 知識蒸留、枝刈りと特化の2分類。Flow-of-Ranks は Chronos で推論時間65%・メモリ81%削減を報告。 → [[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 9 Future Directions]] — 5家族それぞれの将来課題と、エージェント型・マルチモーダル TSFM への展望。 → [[@2026__arXiv__Post-Training in Time Series Foundation Models A Unifying Framework - Chapter 10 Conclusion]] — 結論の要約。 ## 位置づけと影響 後学習をファインチューニングに限定せず、検索・記憶・モデル合成・出力補正・較正・蒸留・枝刈りまで含む広い方法群として捉え直し、介入位置という単一の軸で5家族に整理した点が独自性である。予測タスクに偏重しがちな既存レビューに対し、分類・異常検知・補間まで視野に入れている。 ## 関連 ## 出典 - Shifeng Xie, Ambroise Odonnat, Zehao Xiao, Lei Zan, Malik Tiomoko, Lujia Pan, Themis Palpanas, Boris N. Oreshkin, Chenghao Liu, Keli Zhang, "Post-Training in Time Series Foundation Models: A Unifying Framework", arXiv:2607.20002, 2026.