Performance of Zero-Shot Time Series Foundation Models on Cloud Data

要約

時系列基礎モデル（FMS）は、ゼロショットマルチドメイン予測の人気のあるパラダイムとして浮上しています。
FMは多様なデータセットでトレーニングされており、クラウドデータを含む複数の異なる時系列ドメインにわたって効果的な予測者であると主張しています。
この作業では、この主張を調査し、クラウドデータに対するFMSの有効性を調査します。
多くのよく知られているFMSが、この設定で意味のあるまたは正確なゼロショット予測を生成できないことを実証します。
この主張は経験的に支持し、FMは単純な線形ベースラインによって一貫してアウトパフォームされていることを示しています。
また、FMが突然不安定でランダムに見える予測を突然出力するインスタンスなど、多くの興味深い病理を説明します。
我々の結果は、FMSがクラウドデータをモデル化することが広く失敗したことを示唆しています。

要約(オリジナル)

Time series foundation models (FMs) have emerged as a popular paradigm for zero-shot multi-domain forecasting. FMs are trained on numerous diverse datasets and claim to be effective forecasters across multiple different time series domains, including cloud data. In this work we investigate this claim, exploring the effectiveness of FMs on cloud data. We demonstrate that many well-known FMs fail to generate meaningful or accurate zero-shot forecasts in this setting. We support this claim empirically, showing that FMs are outperformed consistently by simple linear baselines. We also illustrate a number of interesting pathologies, including instances where FMs suddenly output seemingly erratic, random-looking forecasts. Our results suggest a widespread failure of FMs to model cloud data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google