論文の概要: ASTIF: Adaptive Semantic-Temporal Integration for Cryptocurrency Price Forecasting

• arxiv url: http://arxiv.org/abs/2512.18661v1
• Date: Sun, 21 Dec 2025 09:17:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.442526
• Title: ASTIF: Adaptive Semantic-Temporal Integration for Cryptocurrency Price Forecasting
• Title（参考訳）: ASTIF: 暗号通貨価格予測のための適応的セマンティック・テンポラル統合
• Authors: Hafiz Saif Ur Rehman, Ling Liu, Kaleem Ullah Qasim,
• Abstract要約: ASTIFは、信頼性に基づくメタ学習を通じて予測戦略をリアルタイムで適応するハイブリッドインテリジェントシステムである。 信頼を意識したメタラーナーは適応推論層として機能し、そのリアルタイム不確実性に基づいて各予測子の寄与を調節する。 この研究は、非定常環境における定量的および定性的データを融合するためのスケーラブルで知識に基づくソリューションに貢献している。
• 参考スコア（独自算出の注目度）: 6.12055122337183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial time series forecasting is fundamentally an information fusion challenge, yet most existing models rely on static architectures that struggle to integrate heterogeneous knowledge sources or adjust to rapid regime shifts. Conventional approaches, relying exclusively on historical price sequences, often neglect the semantic drivers of volatility such as policy uncertainty and market narratives. To address these limitations, we propose the ASTIF (Adaptive Semantic-Temporal Integration for Cryptocurrency Price Forecasting), a hybrid intelligent system that adapts its forecasting strategy in real time through confidence-based meta-learning. The framework integrates three complementary components. A dual-channel Small Language Model using MirrorPrompt extracts semantic market cues alongside numerical trends. A hybrid LSTM Random Forest model captures sequential temporal dependencies. A confidence-aware meta-learner functions as an adaptive inference layer, modulating each predictor's contribution based on its real-time uncertainty. Experimental evaluation on a diverse dataset of AI-focused cryptocurrencies and major technology stocks from 2020 to 2024 shows that ASTIF outperforms leading deep learning and Transformer baselines (e.g., Informer, TFT). The ablation studies further confirm the critical role of the adaptive meta-learning mechanism, which successfully mitigates risk by shifting reliance between semantic and temporal channels during market turbulence. The research contributes a scalable, knowledge-based solution for fusing quantitative and qualitative data in non-stationary environments.
• Abstract（参考訳）: 金融時系列予測は基本的に情報融合の課題であるが、既存のほとんどのモデルは、異質な知識ソースの統合や急激な体制シフトの調整に苦労する静的アーキテクチャに依存している。 伝統的なアプローチは、歴史的価格の順序にのみ依存しており、政策の不確実性や市場の物語のような不安定性のセマンティックな要因を無視することが多い。 これらの制約に対処するために,信頼性に基づくメタ学習を通じて予測戦略をリアルタイムで適応するハイブリッドインテリジェントシステムASTIF(Adaptive Semantic-Temporal Integration for Cryptocurrency Price Forecasting)を提案する。 このフレームワークは3つの補完的なコンポーネントを統合している。 MirrorPrompt を用いた二チャンネル小言語モデルでは,数値的傾向とともにセマンティックマーケットの手がかりを抽出する。 LSTMランダムフォレストモデルは、シーケンシャルな時間的依存関係をキャプチャする。 信頼を意識したメタラーナーは適応推論層として機能し、そのリアルタイム不確実性に基づいて各予測子の寄与を調節する。 2020年から2024年までのAI中心の暗号通貨と主要技術株のさまざまなデータセットに関する実験的評価は、ASTIFがディープラーニングとTransformerベースライン(例:Informer、TFT)をリードする上で優れていることを示している。 アブレーション研究は、市場乱れ時の意味チャネルと時間チャネルの依存性をシフトさせることによってリスクを軽減する適応的メタラーニング機構の重要性をさらに裏付ける。 この研究は、非定常環境における定量的および定性的データを融合するためのスケーラブルで知識に基づくソリューションに貢献している。

関連論文リスト

• Interpretable Hybrid Deep Q-Learning Framework for IoT-Based Food Spoilage Prediction with Synthetic Data Generation and Hardware Validation [0.5417521241272645]
  インテリジェントでリアルタイムな腐敗予測システムの必要性は、現代のIoT駆動食品サプライチェーンにおいて重要になっている。 本稿では,Long Short-Term Memory(LSTM)とRecurrent Neural Networks(RNN)を統合したハイブリッド強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-22T12:59:48Z)
• Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning [78.92934995292113]
  本稿では,既知の偽造と新規な偽造の信頼のバランスをとる,信頼を意識した非対称学習(CAL)フレームワークを提案する。 CALは従来手法を一貫して上回り、既知の偽造と新しい偽造の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-14T12:31:28Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• Modeling Uncertainty Trends for Timely Retrieval in Dynamic RAG [35.96258615258145]
  本稿では,トークンレベルの不確実性のダイナミクスをモデル化し,最適検索タイミングを決定するトレーニングフリーな手法であるEntropy-Trend Constraint(ETC)を紹介する。 ETCは、検索周波数を減少させながら、強いベースラインを一貫して上回る。 プラグアンドプレイで、モデルに依存しず、既存のデコードパイプラインに簡単に統合できる。
  論文  参考訳（メタデータ） (2025-11-13T05:28:02Z)
• Bayesian Test-time Adaptation for Object Recognition and Detection with Vision-language Models [86.53246292425699]
  我々は、オブジェクト認識と検出の両方のためのTTAのためのトレーニングフリーフレームワークであるBCA+を提案する。 我々はベイズ推論問題として適応を定式化し、キャッシュベースの予測で初期VLM出力を融合することで最終的な予測を生成する。 BCA+は、認識と検出のベンチマークの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-10-03T06:27:33Z)
• ProteuS: A Generative Approach for Simulating Concept Drift in Financial Markets [44.76567557906836]
  適応アルゴリズムの開発と検証における根本的な問題は、現実世界の財務データに基礎的な真理が欠如していることである。 本稿では,事前定義された構造破壊を伴う半合成財務時系列を生成するための新しいフレームワークProteuSを紹介する。 生成されたデータの解析によってタスクの複雑さが確認され、異なる市場状態間の大きな重複が明らかになる。
  論文  参考訳（メタデータ） (2025-08-30T21:01:47Z)
• Advancing Reliable Test-Time Adaptation of Vision-Language Models under Visual Variations [67.35596444651037]
  視覚言語モデル(VLM)は、素晴らしいゼロショット機能を示すが、ラベル付きデータが利用できない場合、下流タスクの分散シフトに苦慮する。 本稿では,信頼性を両面から高めるReliable Test-Time Adaptation (ReTA)法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T05:37:33Z)
• An Advanced Ensemble Deep Learning Framework for Stock Price Prediction Using VAE, Transformer, and LSTM Model [4.097563258332958]
  本研究では,3つの先進ニューラルネットワークアーキテクチャを組み合わせることで,株価予測のための最先端の深層学習フレームワークを提案する。 このフレームワークは豊富な技術的指標を使用し、現在の市場状況に基づいて予測器をスケールする。 金融専門家や学者にとって、アルゴリズム取引、リスク分析、制御と意思決定に非常に重要な応用がある。
  論文  参考訳（メタデータ） (2025-03-28T07:20:40Z)
• Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation [2.28438857884398]
  本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。 本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。 以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
  論文  参考訳（メタデータ） (2024-03-05T20:54:56Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)

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。