KernelSynth et TSMix : comment Chronos enrichit les données de préentraînement

Par Elisha Bajemon, Ingénieur IA chez TW3 Partners. Dernière mise à jour : 3 novembre 2026.

En bref

Chronos diversifie les données dont il apprend en mélangeant des historiques existants et en créant des évolutions artificielles. Cet apprentissage initial, appelé préentraînement, prépare le modèle à prévoir des séries de valeurs observées dans le temps. Dans leur prépublication déposée sur arXiv le 12 mars 2024, Ansari et ses coauteurs décrivent TSMix pour le mélange et KernelSynth pour la génération. Leur expérience sur une variante de Chronos montre l’amélioration la plus régulière lorsque les séries KernelSynth représentent environ 10 % des séries utilisées pendant l’entraînement. Pour une direction qui évalue un modèle de prévision, la question est donc celle de la composition des données d’apprentissage et de sa validation. Les séries créées par les chercheurs appartiennent à leur protocole expérimental : leur utilité pour un périmètre métier demande une évaluation dédiée.

1. Quelle limite du corpus ces méthodes visent-elles ?

TSMix et KernelSynth cherchent à élargir la diversité des évolutions rencontrées pendant l’apprentissage. Dans Chronos: Learning the Language of Time Series, version initiale du 12 mars 2024, Ansari et ses coauteurs partent du manque de grands ensembles publics de séries temporelles de qualité. Un corpus désigne ici l’ensemble des séries utilisées pour entraîner le modèle. Sa diversité compte lorsque le modèle doit ensuite prévoir des séries issues de jeux de données absents de cet entraînement.

Les auteurs soulignent une difficulté supplémentaire : mobiliser davantage de jeux de données pour apprendre réduit le nombre de jeux disponibles pour évaluer cette capacité de transfert. Leur démarche consiste à enrichir les matériaux d’apprentissage par transformation et par génération. TSMix combine des motifs déjà présents dans les historiques. KernelSynth produit des trajectoires à partir de règles statistiques choisies par les chercheurs.

Cette intervention se situe dans la préparation du modèle. Elle se distingue de l’ajout, au moment d’une prévision métier, de variables explicatives connues ou observées en parallèle de la série à prévoir. Pour cadrer un projet, nous recommandons de préciser l’objet du manque de données : diversité du corpus de préentraînement ou informations disponibles pour la prévision locale. Cette distinction aide à choisir l’expérience à mener et les données à réserver pour la juger.

2. Comment TSMix combine-t-il les séries ?

TSMix fabrique une série d’apprentissage en calculant un mélange pondéré de séries préalablement mises à la même échelle. La méthode et son algorithme figurent dans la prépublication Chronos d’Ansari et ses coauteurs du 12 mars 2024.

L’algorithme tire d’abord le nombre de séries à mélanger et leur longueur commune. Pour chaque série, il choisit un jeu de données, puis y prélève une séquence. Il divise les valeurs de cette séquence par la moyenne de leurs valeurs absolues. Cette mise à l’échelle permet de combiner des trajectoires après normalisation de leur amplitude.

Les coefficients du mélange sont tirés selon une loi de Dirichlet symétrique. Ils définissent une combinaison convexe : les poids sont positifs et leur somme vaut un. À chaque position temporelle, la série produite contient donc la somme pondérée des valeurs normalisées correspondantes. Les auteurs cherchent ainsi à réunir, dans une nouvelle trajectoire, des motifs provenant de séries différentes. Le tirage peut aussi ne retenir qu’une seule série, ce qui conserve des trajectoires originales mises à l’échelle dans les données d’apprentissage.

L’objet combiné est donc une entrée d’entraînement. Une moyenne de prévisions intervient à une autre étape, lorsque des modèles ont déjà produit leurs sorties. Dans une documentation de projet, indiquer l’étape du mélange évite de confondre augmentation des données et combinaison de prévisions. La traçabilité utile porte ici sur les séries sources, leur normalisation et les coefficients utilisés.

3. Comment KernelSynth produit-il de nouveaux motifs ?

KernelSynth génère des trajectoires en assemblant des règles qui décrivent comment les valeurs d’une série varient ensemble. La prépublication Chronos du 12 mars 2024 présente ces règles sous la forme de noyaux de processus gaussiens.

Un processus gaussien désigne ici une distribution de fonctions possibles, définie par une fonction moyenne et un noyau. Le noyau exprime la covariance, c’est-à-dire la manière dont les valeurs prises à des instants différents varient conjointement. Les chercheurs constituent une bibliothèque de noyaux élémentaires associés à des formes temporelles identifiables.

KernelSynth tire des noyaux dans cette bibliothèque, avec remise : un même noyau peut être retenu plusieurs fois. Il les compose progressivement par des additions ou des multiplications choisies aléatoirement. Le noyau obtenu définit un processus gaussien de moyenne nulle, dans lequel l’algorithme tire une trajectoire. Cette trajectoire devient une série synthétique destinée à l’apprentissage.

La composition porte donc sur les règles de dépendance avant le tirage des valeurs. Dans TSMix, le mélange porte directement sur des séries prélevées dans les données. Pour examiner un générateur de cette nature, il est utile de documenter les motifs que sa bibliothèque autorise et les hypothèses qu’elle impose. Cette proposition de méthode permet de discuter sa pertinence pour le domaine visé avant d’engager un entraînement.

4. Qu’évaluent les ablations de Chronos ?

Les ablations isolent l’effet d’un choix d’entraînement en faisant varier ce choix tout en conservant les autres réglages. Dans la version du 12 mars 2024 de Chronos, Ansari et ses coauteurs étudient notamment TSMix et la proportion de données KernelSynth avec Chronos-T5 Small, un modèle de 46 millions de paramètres.

La comparaison avec et sans TSMix donne des performances similaires sur les jeux de données déjà représentés à l’entraînement. Sur les jeux absents de cet entraînement, l’usage de TSMix améliore les performances. Sur ces jeux absents de l’entraînement, les auteurs observent un bénéfice supplémentaire lorsqu’ils incorporent des données KernelSynth. Pour étudier cet apport, ils font varier leur proportion depuis un apprentissage uniquement sur les augmentations TSMix jusqu’à un apprentissage entièrement synthétique.

Dans cette expérience, l’amélioration la plus régulière apparaît lorsque les données synthétiques représentent environ 10 % des séries échantillonnées pendant l’entraînement. Au-delà, augmenter leur proportion tend à dégrader les performances. Les auteurs l’expliquent par le fait que les séries issues des processus gaussiens ne représentent pas toutes les séries réelles. Ce résultat ne constitue pas un dosage recommandé pour chaque entreprise.

L’évaluation mobilise la WQL, une perte qui mesure l’accord entre les quantiles prévus et les observations, ainsi que la MASE, une erreur absolue rapportée à l’erreur saisonnière historique. Les scores relatifs sont agrégés par moyenne géométrique. L’annexe compare aussi la variante entraînée uniquement sur données synthétiques à d’autres modèles. Comme proposition de méthode pour transposer la démarche, conserver une évaluation sur des séries réelles et distinguer les erreurs de prévision des incertitudes annoncées donne une base de décision plus précise qu’un jugement visuel sur les courbes générées.

5. Comment Chronos-2 construit-il des dépendances multivariées ?

Chronos-2 crée des groupes de séries synthétiques liées entre elles pour apprendre des dépendances entre variables. Dans leur prépublication déposée sur arXiv le 17 octobre 2025, Ansari et ses coauteurs décrivent un corpus et une architecture différents de ceux de Chronos. L’architecture comprend notamment une attention de groupe, qui permet de partager de l’information entre séries appartenant au même groupe.

Les auteurs nomment « multivariatizers » les mécanismes qui prélèvent plusieurs séries auprès de générateurs univariés, puis leur imposent des dépendances. Un générateur univarié produit une série considérée isolément. KernelSynth fait partie des générateurs de base utilisés, aux côtés de modèles autorégressifs, de modèles de lissage exponentiel et du générateur TSI, fondé sur des composantes de tendance, de saisonnalité et d’irrégularité.

Les mécanismes contemporains appliquent des transformations linéaires ou non linéaires entre séries au même instant. Ils introduisent des corrélations instantanées. Les mécanismes séquentiels instaurent des dépendances entre les séries à travers le temps. La distinction porte sur le moment où la relation s’exerce.

Les séries ainsi produites servent à construire des tâches où toutes les variables sont à prévoir. Elles servent aussi à des tâches où certaines variables sont désignées comme informations explicatives connues. Les auteurs indiquent s’appuyer entièrement sur des données synthétiques pour ces tâches multivariées et avec variables explicatives. Cette construction appartient au protocole de Chronos-2 ; elle doit être identifiée séparément dans une lecture de la filiation entre les modèles.

6. Quelles limites conserver dans une stratégie de données ?

La diversité des formes générées doit être évaluée au regard des séries que l’organisation cherche réellement à prévoir. Dans la discussion de Chronos du 12 mars 2024, Ansari et ses coauteurs présentent encore la réduction de l’écart entre données réelles et synthétiques comme une direction de recherche. Les résultats des ablations donnent une raison concrète de tester la composition du corpus.

La prépublication TW3Cast de Thierry et Rochet, déposée sur arXiv le 16 septembre 2026, décrit une autre opération : pour les configurations pauvres en données, les données d’entraînement de la cible sont réunies avec celles de configurations apparentées, en donnant davantage de poids à la cible. Les rapprochements tiennent compte de la fréquence et de l’horizon, puis du domaine. Il s’agit d’une fusion de corpus pour spécialiser des modèles préentraînés. La filiation avec Chronos passe notamment par Chronos-2, présent dans les familles de modèles utilisées par TW3Cast.

Pour préparer une évaluation, TW3 recommande de distinguer dans le dossier expérimental les données réelles conservées, les transformations appliquées aux séries et les données produites par un générateur. Fixer le périmètre métier et les périodes d’évaluation avant de comparer les recettes facilite l’interprétation. Faire varier la composition du corpus en conservant les autres réglages reprend le principe des ablations de Chronos. Le choix final doit alors s’appuyer sur les erreurs mesurées pour la tâche visée, avec une trace de la provenance des données utilisées.

FAQ

Quelle limite du corpus ces méthodes visent-elles ?
Selon Ansari et ses coauteurs, le 12 mars 2024, les données publiques de séries temporelles manquent de volume et de diversité pour l’apprentissage de modèles généralistes. TSMix enrichit les motifs issus des historiques ; KernelSynth ajoute des trajectoires générées. Leur action porte sur le corpus d’entraînement.

Comment TSMix combine-t-il les séries ?
L’algorithme de Chronos du 12 mars 2024 prélève des séries de même longueur, les normalise et leur applique des poids tirés aléatoirement. La combinaison convexe donne une nouvelle entrée d’apprentissage. Le modèle apprend ensuite à partir de ces séries augmentées.

Comment KernelSynth produit-il de nouveaux motifs ?
Dans Chronos, le 12 mars 2024, KernelSynth compose par somme ou produit des noyaux représentant notamment tendance, variation locale et périodicité. Il tire ensuite une trajectoire dans le processus gaussien ainsi défini. Les séries obtenues alimentent le protocole d’apprentissage des chercheurs.

Qu’évaluent les ablations de Chronos ?
Les expériences décrites le 12 mars 2024 comparent l’apprentissage avec et sans TSMix, puis différentes proportions de données KernelSynth. Elles distinguent les jeux représentés à l’entraînement des jeux jamais rencontrés. L’effet observé dépend du modèle et du protocole étudiés.

Comment Chronos-2 construit-il des dépendances multivariées ?
La prépublication du 17 octobre 2025 utilise des mécanismes qui imposent des relations entre des séries générées séparément. Certains agissent au même instant, d’autres introduisent des dépendances temporelles. Ces séries servent à entraîner la prévision conjointe de variables et la prévision avec des variables explicatives.

Pour aller plus loin

• Tokens numériques et patches : comment un modèle représente une série temporelle.
• Chronos-2 : comment l’attention de groupe partage l’information entre séries.
• Enrichir une série peu documentée : sélectionner et doser les corpus apparentés.

Sources

• Ansari et ses coauteurs, Chronos: Learning the Language of Time Series, prépublication déposée sur arXiv le 12 mars 2024, version initiale. Texte intégral, consulté le 9 octobre 2026.
• Ansari et ses coauteurs, Chronos-2: From Univariate to Universal Forecasting, prépublication déposée sur arXiv le 17 octobre 2025, version initiale. Texte intégral, consulté le 9 octobre 2026.
• TW3 Partners, Thierry et Rochet, TW3Cast: A Frozen Router of Lightly Fine-Tuned Foundation Models for Time-Series Forecasting on GIFT-Eval, Selected Entirely on the Training Split, prépublication déposée sur arXiv le 16 septembre 2026. Texte intégral, consulté le 9 octobre 2026.