時系列基盤モデル（TSFM）は、大規模なコーパスで事前学習されることが増えており、評価データセットが事前学習中に露出した可能性があり、性能推定が過度に楽観的になる懸念が生じている。このようなデータ汚染の監査は、時系列では信号が連続的で異質であり、コーパスの文書化が欠けていることが多いため困難である。著者らの知る限り、これはTSFMの事前学習汚染監査を研究する最初の取り組みである。
本論文はHongkai Liら10名の著者によるもので、2026年5月24日に提出され、22ページ、7図、9表で構成され、機械学習（cs.LG）および人工知能（cs.AI）の分野に属する。研究者らはTSFMの事前学習汚染監査問題を正式に定義し、TSFMAuditという手法を提案した。この手法の中心的な直感は、汚染が異常に効率的な適応として現れるというものである。つまり、微調整プローブ後、汚染されたデータセットは損失の減少が速く、バックボーンの動きが小さい傾向がある。このパターンは未汚染データと対照的であり、汚染検出の強力な信号となる。
TSFMAuditの有効性を検証するため、研究チームは6つのTSFMと187のデータセットで実験を行い、文書化されたトレーニングソースの証拠を教師信号として使用した。また、TSFMAuditを大規模言語モデル文献から適応した10の競合ベースライン手法と比較した。実験結果は、TSFMAuditが汚染監査タスクで優れた性能を発揮し、事前学習段階で露出した評価データセットを効果的に識別できることを示している。
この研究は、時系列基盤モデルのデータ汚染監査の空白を埋め、TSFMの真の性能を評価するための重要なツールを提供する。TSFMが金融、気象、エネルギーなどの分野で広く応用されるにつれ、評価の公正性と信頼性を確保することが極めて重要になっている。TSFMAuditの提案は、研究者がモデル能力をより正確に測定するのに役立つだけでなく、将来のより厳格な評価基準の確立に貢献する。論文の詳細はarXivで入手可能で、PDFおよびHTML版が提供されている。