arXiv cs.AIは2026年6月3日(現地時間)、時系列基盤モデル（TSFM）の推論精度向上を目指す新手法「GITCO (Gated Inference-Time Context Optimization)」に関する論文を公開した。このフレームワークは、モデルの重みを変更せず、入力コンテキスト内の有害なパッチを選択的に抑制し、予測品質の低下を防ぐ。TimesFM 2.5を用いた評価では、平均で1.95%のMASE（平均絶対スケール誤差）削減を達成したと報告されている。
パッチベースの時系列基盤モデル (TSFM) は、構造的に異常なパッチが不均衡な注意を引き、ゼロショット予測品質を静かに低下させる「コンテキストポイズニング」という課題を抱えている。これに対し、Manya Pandey氏らは、モデルの重みを変更することなく、推論時に入力コンテキストを最適化することでTSFMの精度を改善する手法を提案した。
提案されたGITCOは、Gate、Router、Criticの三つのコンポーネントからなる軽量なフレームワークである。これは、パラメータを更新することなく有害なパッチを選択的に特定し、抑制する。評価はTimesFM 2.5を使用し、53のGIFT-Evalデータセットに対してK分割交差検証の下で実施された。その結果、GITCOはTimesFM 2.5において平均で1.95%のMASE削減を達成し、改善上限の89.9%を捕捉した。
また、論文では、TSFMの新しい特性として「コンテキスト感度プロファイル」を導入している。これは、時系列メタ特徴から、推論時コンテキスト介入による予想される精度改善へのマッピングであり、モデルアーキテクチャとデータの統計的構造によって共同で形成されると定義されている。本研究は、ICML 2026 Workshop on Foundation Models for Structured Dataにて発表される予定である。
参考: arXiv cs.AI — 2026年6月6日 13:00 (JST)
原文ハイライト"We present GITCO (Gated Inference-Time Context Optimization)"