論文の概要: MemPromptTSS: Persistent Prompt Memory for Iterative Multi-Granularity Time Series State Segmentation

• arxiv url: http://arxiv.org/abs/2510.09930v1
• Date: Sat, 11 Oct 2025 00:02:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.6973
• Title: MemPromptTSS: Persistent Prompt Memory for Iterative Multi-Granularity Time Series State Segmentation
• Title（参考訳）: MemPromptTSS: 反復的多粒度時系列状態分割のための永続的プロンプトメモリ
• Authors: Ching Chang, Ming-Chih Lo, Chiao-Tung Chan, Wen-Chih Peng, Tien-Fu Chen,
• Abstract要約: 永続的なプロンプトメモリを導入した反復的多粒度セグメンテーションのためのフレームワークを提案する。 MemPromptTSSは、単一反復推論による単一および複数粒度のセグメンテーションにおいて、最高のベースラインよりも23%と85%の精度向上を実現している。 これらの結果から,MemPromptTSSを実世界のアプリケーションのための実用的で効果的なフレームワークとして確立した。
• 参考スコア（独自算出の注目度）: 11.622083189176735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Web platforms, mobile applications, and connected sensing systems generate multivariate time series with states at multiple levels of granularity, from coarse regimes to fine-grained events. Effective segmentation in these settings requires integrating across granularities while supporting iterative refinement through sparse prompt signals, which provide a compact mechanism for injecting domain knowledge. Yet existing prompting approaches for time series segmentation operate only within local contexts, so the effect of a prompt quickly fades and cannot guide predictions across the entire sequence. To overcome this limitation, we propose MemPromptTSS, a framework for iterative multi-granularity segmentation that introduces persistent prompt memory. A memory encoder transforms prompts and their surrounding subsequences into memory tokens stored in a bank. This persistent memory enables each new prediction to condition not only on local cues but also on all prompts accumulated across iterations, ensuring their influence persists across the entire sequence. Experiments on six datasets covering wearable sensing and industrial monitoring show that MemPromptTSS achieves 23% and 85% accuracy improvements over the best baseline in single- and multi-granularity segmentation under single iteration inference, and provides stronger refinement in iterative inference with average per-iteration gains of 2.66 percentage points compared to 1.19 for PromptTSS. These results highlight the importance of persistent memory for prompt-guided segmentation, establishing MemPromptTSS as a practical and effective framework for real-world applications.
• Abstract（参考訳）: Webプラットフォーム、モバイルアプリケーション、コネクテッドセンシングシステムは、粗いレシエーションからきめ細かいイベントに至るまで、複数のレベルの粒度の状態を持つ多変量時系列を生成する。 これらのセグメンテーションの効果的なセグメンテーションは、スパースプロンプト信号を通じて反復的な洗練をサポートしながら、粒度をまたいで統合することを必要とし、ドメイン知識を注入するためのコンパクトなメカニズムを提供する。 しかし、既存の時系列セグメンテーションのプロンプトアプローチは、ローカルコンテキスト内でのみ動作するため、プロンプトの効果は急速に減少し、シーケンス全体にわたって予測を導くことはできない。 この制限を克服するために、永続的なプロンプトメモリを導入した反復的多粒度セグメンテーションのフレームワークであるMemPromptTSSを提案する。 メモリエンコーダは、プロンプトとその周辺サブシーケンスをバンクに格納されたメモリトークンに変換する。 この永続メモリは、各新しい予測をローカルキューだけでなく、イテレーション全体で蓄積されたすべてのプロンプトで条件付けし、シーケンス全体の影響を確実にする。 ウェアラブルセンシングと産業用監視を対象とする6つのデータセットの実験によると、MemPromptTSSは、単一イテレーション推論と多粒度セグメンテーションにおいて、最高のベースラインよりも23%と85%の精度向上を実現し、PromptTSSの1.19よりも平均2.66ポイントの反復推論で改善された。 これらの結果から,MemPromptTSSを実世界のアプリケーションのための実用的で効果的なフレームワークとして確立した。

関連論文リスト

• PromptTSS: A Prompting-Based Approach for Interactive Multi-Granularity Time Series Segmentation [8.167733248290233]
  PromptTSS(PromptTSS)は,複数粒度状態を持つ時系列セグメンテーションのための新しいフレームワークである。 PromptTSSは、ラベルと境界情報を利用してセグメンテーションをガイドするプロンプト機構を備えた統一モデルを使用する。 実験の結果、PromptTSSの精度は多粒度セグメンテーションで24.49%、単一粒度セグメンテーションで17.88%、転送学習で599.24%向上した。
  論文  参考訳（メタデータ） (2025-06-12T06:45:29Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)
• Large Language Model Partitioning for Low-Latency Inference at the Edge [6.019511429258932]
  自動回帰に基づく大規模言語モデル(LLM)では、デコーダのみのトランスフォーマーがテキストを1つずつ生成し、トークンは個々のテキスト単位を表す。 この反復的プロセスは、メモリと計算要求を着実に増加させるため、リソース制約のあるエッジ環境における層ベースのパーティショニングは、しばしばメモリ過負荷や高い推論遅延をもたらす。 本稿では,トークン生成時に一定間隔で分割決定を更新するリソース対応トランスフォーマーアーキテクチャ分割アルゴリズムを提案する。 当社のアプローチでは,アテンションヘッドレベルでデコーダを分割し,各アテンションヘッドとキーバリューキャッシュを同時配置し,リソースが密着するたびに動的マイグレーションを可能にする。
  論文  参考訳（メタデータ） (2025-05-05T10:16:16Z)
• Memory-efficient Streaming VideoLLMs for Real-time Procedural Video Understanding [51.91097761028129]
  本稿では,リアルタイム・プロシージャ・ビデオ理解のためのエンドツーエンドフレームワークであるProVideLLMを紹介する。 ProVideLLMは、2種類のトークンを格納するように構成されたマルチモーダルキャッシュを統合する。 ProVideLLMは、これらのトークンをマルチモーダルキャッシュにインターリーブすることで、メモリと計算のサブ線形スケーリングをビデオ長で保証します。
  論文  参考訳（メタデータ） (2025-04-10T17:13:08Z)
• On Memory Construction and Retrieval for Personalized Conversational Agents [69.46887405020186]
  本稿では,セグメンテーションモデルを導入し,セグメントレベルでメモリバンクを構築するセグメンテーション手法であるSeComを提案する。 実験結果から,SeComは長期会話ベンチマークLOCOMOとLong-MT-Bench+のベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-02-08T14:28:36Z)
• Rethinking Space-Time Networks with Improved Memory Coverage for Efficient Video Object Segmentation [68.45737688496654]
  各オブジェクトのマスク特徴を再エンコードすることなく,フレーム間の直接対応性を確立する。 対応によって、現在のクエリフレーム内の全てのノードは、過去の特徴を連想的に集約することによって推測される。 すべてのメモリノードにコントリビュートする機会があることを検証し、そのような多彩な投票がメモリ効率と推論精度の両方に有益であることを示した。
  論文  参考訳（メタデータ） (2021-06-09T16:50:57Z)
• LiDAR-based Recurrent 3D Semantic Segmentation with Temporal Memory Alignment [0.0]
  本稿では,単一範囲の画像フレームを入力とする再帰セグメンテーションアーキテクチャ(RNN)を提案する。 私たちがテンポラルメモリアライメントと呼ぶアライメント戦略は、エゴモーションを使用して、フィーチャースペース内の連続フレーム間のメモリをテンポラリアライメントします。 2つの大規模データセットに対する提案手法の利点を実証し,いくつかの最先端手法と比較する。
  論文  参考訳（メタデータ） (2021-03-03T09:01:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。