Level-4 fold of 16 log entries spanning 2026-06-15 to 2026-06-16. Dominant themes: TSFM アーキテクチャの系統的比較とスケーリング則、LLM×時系列の 5 アプローチ系譜、分散トレーシング・オブザーバビリティ基盤の古典系譜。 ## Child Entries | Date | Op | Title | Page | Summary (extractive) | |---|---|---|---|---| | 2026-06-15 | ingest-paper | Toto 2.0: Time Series Forecasting Enters the Scaling Era | [[@2026__arXiv__Toto 2.0 - Time Series Forecasting Enters the Scaling Era]] | TSFM で初めて信頼できるスケーリング則を実証(4M〜2.5B 単調改善)。NorMuon がピンボール損失との組み合わせ問題を解決し、u-μP で TSFM への初適用を達成。 | | 2026-06-15 | ingest-paper | PromptCast | [[@2022__arXiv__PromptCast - A New Prompt-based Learning Paradigm for Time Series Forecasting]] | 数値列を自然言語文へテンプレート変換し sentence-to-sentence へ再定式化。事前学習言語モデル(Bigbird/Bart/LED)が数値専用モデルと同等以上の RMSE・MAE を達成。PISA(311,932 件)が LLM×時系列の最初期ベンチマーク。 | | 2026-06-15 | ingest-paper | LLMTime | [[@2023__NeurIPS__Large Language Models Are Zero-Shot Time Series Forecasters]] | 数値の桁列トークン化のみで GPT-3・LLaMA-2 70B がゼロショット時系列予測で ARIMA/TCN/N-HiTS と同等以上。LLM の簡潔性バイアスと反復バイアスが季節性・トレンドに一致。GPT-4 は RLHF で GPT-3 より劣化し、アライメントが不確実性較正を壊す現象を初めて定量化。 | | 2026-06-15 | ingest-paper | One Fits All (FPT) | [[@2023__NeurIPS__One Fits All - Power General Time Series Analysis by Pretrained LM]] | GPT-2 の self-attention・feedforward を凍結し位置埋め込みのみ学習(FPT)で時系列 7 タスク SOTA。画像事前学習(BEiT)からの転移も有効であり、self-attention の勾配最小化が PCA と等価という理論的根拠を提示。 | | 2026-06-15 | ingest-paper | TimesFM 原論文 | [[@2024__arXiv__A Decoder-Only Foundation Model for Time-Series Forecasting]] | 200M decoder-only Transformer + 出力パッチ長 > 入力パッチ長で自己回帰ステップ削減 + 約 100B 点の事前学習でゼロショット SOTA 級。17M/70M/200M でモデル誤差が単調減少し TSFM スケーリング則の前史。 | | 2026-06-15 | ingest-paper | TSFM サーベイ(事前→事後学習) | [[@2026__techRxiv__From Pre-training to Post-training - A Survey on Time Series Foundation Models]] | TSFM サーベイの軸が「事前学習」中心から「事後学習(SFT・協調・強化)」を含む 3 次元タクソノミーへ拡張。GRPO・LoRA・KD 群が TSFM ドメインへ越境する萌芽期を確認。 | | 2026-06-15 | wiki-query | Toto 2.0 vs 1.0 差分 | [[Toto-2.0-vs-1.0-差分]] | バージョン比較(モデルサイズ・推論方式・出力ヘッド・オプティマイザ・スケーリング)と分位点損失の仕組みを連問形式でまとめ。 | | 2026-06-15 | ingest-paper | Chronos | [[@2024__arXiv__Chronos Learning the Language of Time Series]] | 平均スケーリング + 均一量子化で時系列値を語彙トークンに落とし T5/GPT-2 をそのまま事前学習する最小主義の TSFM。LLM 重み初期化はランダム初期化を上回らず、言語知識転移が時系列で優位に立たないという否定的知見。TSMixup・KernelSynth が合成データ依存路線の起点。 | | 2026-06-15 | ingest-paper | Time-MoE | [[@2025__ICLR__Time-MoE - Billion-Scale Time Series Foundation Models with Mixture of Experts]] | Sparse MoE による decoder-only TSFM を 2.4B(活性化 1.1B)までスケール。同活性化パラメータ密モデル比で訓練 78%・推論 39% コスト削減。9 ドメイン 309B 点の最大規模公開コーパス Time-300B。 | | 2026-06-15 | ingest-paper | Chronos-2 | [[@2025__arXiv__Chronos-2 - From Univariate to Universal Forecasting]] | group attention で単変量・多変量・共変量付き予測を統一的にゼロショット処理する初の汎用 TSFM。合成データ(multivariatizer)で多変量 ICL を付与し、Chronos(2024)の「単変量限定」を実質的に解消。 | | 2026-06-15 | ingest-paper | Monarch | [[@2020__VLDB__Monarch - Google's Planet-Scale In-Memory Time Series Database]] | プラネットスケール監視 TSDB では「インメモリ保持 = 循環依存の回避」が設計必然。FHI(99.5% ファンアウト抑制)とクエリプッシュダウン(95% ゾーン完結)がプラネットスケール運用を実現する核心技術。 | | 2026-06-15 | wiki-query | Toto 2.0 比較・LM vs TSFM | [[Toto-2アーキテクチャ比較-他TSFMとの特徴]] | Toto 2.0 と他 TSFM のアーキテクチャ比較、LM-vs-TSFM の decoder-only 差異を Q&A で保存。 | | 2026-06-15 | ingest-paper batch | 観測可能性・分散DB 基盤 6 論文一括 | [[@1993__USENIX__The BSD Packet Filter A New Architecture for User-level Packet Capture]] | BPF(1993)と DTrace(2004)はカーネル内 in-VM 動的計装の独立発明として並ぶ。DeWitt+Gray 1992 のシェアードナッシングが Monarch(2020)や TSM-Bench(2023)の評価軸に接続。TimeEval は 71 アルゴリズム × 976 データセットの大規模評価。 | | 2026-06-16 | ingest-paper batch | 分散トレーシング・依存性発見・MTSAD の古典 7 論文一括 | [[@2007__NSDI__X-Trace - A Pervasive Network Tracing Framework]] | X-Trace(2007)→Dapper(2010)は因果木表現とサンプリングで連続。Sherlock(2007)→Orion(2008)→Peddycord+(2012)は受動観測ベース依存性発見の 3 世代。Sieve(2017)は Granger 因果性でメトリクス次元 10-100 倍削減。JumpStarter(2021)は圧縮センシングで訓練不要 20 分初期化の MTSAD。 | | 2026-06-16 | question | マルチモーダルオブザーバビリティ基盤モデル設計案 | [[multimodal-observability-foundation-model]] | MELT-FM(Metrics-Events-Logs-Traces Foundation Model)の設計案。PathAttn でトレース木を Transformer 因子に昇格、UModel の意味グラウンディング焼き込み、eBPF ゼロ計装で 4 モダ同期コーパスを構成。 | | 2026-06-16 | ingest | Netflix Service Topology | [[@2026__Netflix TechBlog__From Silos to Service Topology - Why Netflix Built a Real-Time Service Map]] | eBPF・IPC メトリクス・分散トレースの 3 独立グラフ融合が計装カバレッジと詳細度を補完し、将来は AI エージェントがトポロジーを巡回して自動 RCA を行うロードマップ。 | ## Key Outcomes - TSFM のスケーリング則を Toto 2.0 が初めて信頼性をもって実証(4M〜2.5B で単調改善)し、TimesFM(17M/70M/200M)・Time-MoE(2.4B)を含む系統的比較で decoder-only TSFM の規模拡張の全体像が wiki に構造化された（2026-06-15 Toto 2.0・TimesFM・Time-MoE エントリ） - LLM×時系列の 5 アプローチ系譜を一括取り込み: PromptCast(テンプレート変換)→ LLMTime(桁列トークン化)→ FPT(凍結転移)→ Chronos(量子化トークン)→ Chronos-2(group attention 統一)。言語知識転移が時系列で優位に立たないという否定的知見(Chronos)と、RLHF がアライメントで不確実性較正を壊す現象(LLMTime)が共通の否定的エビデンスとして蓄積された（2026-06-15 PromptCast・LLMTime・FPT・Chronos・Chronos-2 エントリ） - TSFM サーベイで事後学習(SFT・協調・強化)を含む 3 次元タクソノミーが提示され、GRPO・LoRA・KD 群の TSFM ドメインへの越境が萌芽期にあると確認された（2026-06-15 TSFM サーベイエントリ） - 分散トレーシング・依存性発見の古典系譜を一次源で 13 論文分取り込み: BPF/DTrace(カーネル内計装)→ X-Trace/Dapper(因果木トレーシング)→ Sherlock/Orion/Peddycord+(受動観測ベース依存性発見)→ Sieve(Granger 因果性 RCA)→ JumpStarter(圧縮センシング MTSAD)（2026-06-15 観測可能性 6 本 + 2026-06-16 分散トレーシング 7 本バッチエントリ） - MELT-FM(マルチモーダルオブザーバビリティ基盤モデル)の設計案が wiki に新規作成され、PathAttn・UModel 意味グラウンディング焼き込み・eBPF ゼロ計装コーパスの 3 つの新規性が定義された（2026-06-16 question エントリ） - Netflix のサービストポロジー構築事例で eBPF・IPC メトリクス・分散トレースの 3 独立グラフ融合が AI エージェント型自動 RCA のロードマップと接続された（2026-06-16 Netflix エントリ） ## Cross-entry Themes - **TSFM のスケーリング則と decoder-only アーキテクチャの収束**: TimesFM(200M)→ Time-MoE(2.4B, MoE)→ Toto 2.0(2.5B, u-μP + NorMuon)と decoder-only が事実上の標準構成に収束し、スケーリング則が段階的に実証された。Chronos/Chronos-2 も T5/GPT-2 ベースで同じ構成原理に従う（supported by: Toto 2.0・TimesFM・Time-MoE・Chronos・Chronos-2 エントリ） - **LLM 言語知識の時系列転移に対する否定的エビデンスの蓄積**: Chronos で LLM 重み初期化がランダム初期化を上回らず、LLMTime で RLHF が不確実性較正を劣化させ、FPT では画像事前学習(BEiT)でも同等転移が成立する。言語固有の知識が時系列で優位に立つという仮説は複数方向から否定されている（supported by: Chronos・LLMTime・FPT エントリ） - **オブザーバビリティ基盤の古典系譜から MELT-FM への接続**: BPF/DTrace のカーネル内計装、X-Trace/Dapper の因果木トレーシング、Sherlock 系の依存性発見、Monarch の TSDB 設計が MELT-FM 設計案の eBPF コーパス・PathAttn・マルチモーダル融合の直接的な前提知識となっている（supported by: 観測可能性 6 本・分散トレーシング 7 本・MELT-FM・Netflix Service Topology エントリ） - **合成データ生成の系譜**: Chronos の TSMixup/KernelSynth から Chronos-2 の multivariatizer へ、合成データによる事前学習データ補強が TSFM 構成の共通戦略として発展している（supported by: Chronos・Chronos-2 エントリ） ## Contradictions or Corrections - Chronos(2024)は LLM 重み初期化がランダム初期化を上回らないと報告する一方、FPT(2023)は GPT-2 凍結重みが時系列タスクで SOTA を達成すると報告している。差異は「凍結して使う(FPT)」vs「初期化して再学習する(Chronos)」の実験設定の違いに由来し、直接の矛盾ではないが、LLM 知識の時系列転移についてプロトコル依存で結論が分かれることを示す。 ## Child Pages - [[@2026__arXiv__Toto 2.0 - Time Series Forecasting Enters the Scaling Era]] - [[@2022__arXiv__PromptCast - A New Prompt-based Learning Paradigm for Time Series Forecasting]] - [[@2023__NeurIPS__Large Language Models Are Zero-Shot Time Series Forecasters]] - [[@2023__NeurIPS__One Fits All - Power General Time Series Analysis by Pretrained LM]] - [[@2024__arXiv__A Decoder-Only Foundation Model for Time-Series Forecasting]] - [[@2026__techRxiv__From Pre-training to Post-training - A Survey on Time Series Foundation Models]] - [[Toto-2.0-vs-1.0-差分]] - [[@2024__arXiv__Chronos Learning the Language of Time Series]] - [[@2025__ICLR__Time-MoE - Billion-Scale Time Series Foundation Models with Mixture of Experts]] - [[@2025__arXiv__Chronos-2 - From Univariate to Universal Forecasting]] - [[@2020__VLDB__Monarch - Google's Planet-Scale In-Memory Time Series Database]] - [[Toto-2アーキテクチャ比較-他TSFMとの特徴]] - [[@1993__USENIX__The BSD Packet Filter A New Architecture for User-level Packet Capture]] - [[@2004__USENIX-ATC__Dynamic Instrumentation of Production Systems]] - [[@2018__SoCC__Weighted Sampling of Execution Traces - Capturing More Needles and Less Hay]] - [[@1992__CACM__Parallel Database Systems The Future of High Performance Database Systems]] - [[@2023__PVLDB__TSM-Bench - Benchmarking Time Series Database Systems for Monitoring Applications]] - [[@2022__PVLDB__Anomaly Detection in Time Series - A Comprehensive Evaluation]] - [[@2007__NSDI__X-Trace - A Pervasive Network Tracing Framework]] - [[@2010__Google__Dapper - A Large-Scale Distributed Systems Tracing Infrastructure]] - [[@2007__SIGCOMM__Towards Highly Reliable Enterprise Network Services via Inference of Multi-level Dependencies]] - [[@2008__OSDI__Automating Network Application Dependency Discovery - Experiences, Limitations, and New Solutions]] - [[@2012__LISA__On the Accurate Identification of Network Service Dependencies in Distributed Systems]] - [[@2017__arXiv__Sieve - Actionable Insights from Monitored Metrics in Microservices]] - [[@2021__USENIX-ATC__Jump-Starting Multivariate Time Series Anomaly Detection for Online Service Systems]] - [[multimodal-observability-foundation-model]] - [[@2026__Netflix TechBlog__From Silos to Service Topology - Why Netflix Built a Real-Time Service Map]] ## Related - [[DragonScale Memory]] - fold-operator spec - [[log]] - source entries - [[index]] - vault catalog