論文の概要: LatentTrack: Sequential Weight Generation via Latent Filtering

• arxiv url: http://arxiv.org/abs/2602.00458v1
• Date: Sat, 31 Jan 2026 02:22:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.196297
• Title: LatentTrack: Sequential Weight Generation via Latent Filtering
• Title（参考訳）: LatentTrack: 潜時フィルタリングによる逐次重み生成
• Authors: Omer Haq,
• Abstract要約: LatentTrack(LT)は、非定常力学の下でのオンライン確率予測のためのシーケンシャルニューラルネットワークである。 LTは低次元潜在空間で因果ベイズフィルタを行い、軽量なハイパーネットワークを用いて各時間ステップで予測モデルパラメータを生成する。 LTは、ステートフルなシーケンシャルおよび静的不確実性認識ベースラインよりも低い負の対数や平均二乗誤差を一貫して校正した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce LatentTrack (LT), a sequential neural architecture for online probabilistic prediction under nonstationary dynamics. LT performs causal Bayesian filtering in a low-dimensional latent space and uses a lightweight hypernetwork to generate predictive model parameters at each time step, enabling constant-time online adaptation without per-step gradient updates. At each time step, a learned latent model predicts the next latent distribution, which is updated via amortized inference using new observations, yielding a predict--generate--update filtering framework in function space. The formulation supports both structured (Markovian) and unstructured latent dynamics within a unified objective, while Monte Carlo inference over latent trajectories produces calibrated predictive mixtures with fixed per-step cost. Evaluated on long-horizon online regression using the Jena Climate benchmark, LT consistently achieves lower negative log-likelihood and mean squared error than stateful sequential and static uncertainty-aware baselines, with competitive calibration, demonstrating that latent-conditioned function evolution is an effective alternative to traditional latent-state modeling under distribution shift.
• Abstract（参考訳）: 非定常力学下でのオンライン確率予測のための逐次的ニューラルネットワークであるLatentTrack(LT)を導入する。 LTは低次元の潜伏空間で因果ベイズフィルタリングを行い、軽量なハイパーネットワークを用いて各時間ステップで予測モデルパラメータを生成し、ステップ毎の勾配更新なしにオンライン適応を一定時間行うことができる。 各段階において、学習された潜在モデルは次の潜伏分布を予測し、これは新しい観測結果を用いて償却推論によって更新され、関数空間における予測-生成-更新-フィルタリングフレームワークが生成される。 この定式化は、統一された目的の中で構造化された(マルコフ的)と非構造的潜在力学の両方をサポートし、モンテカルロの潜在軌道に対する推論は、固定されたステップ毎のコストでキャリブレーションされた予測混合を生成する。 Jena Climateベンチマークを用いて長期のオンライン回帰を評価すると、LTは定常的な逐次的および静的不確実性認識ベースラインよりも低い負のログ類似度と平均二乗誤差を一貫して達成し、競合キャリブレーションにより、潜在条件付き関数の進化が分散シフト下での従来の潜在状態モデリングの効果的な代替手段であることを示す。

関連論文リスト

• Adaptive Benign Overfitting (ABO): Overparameterized RLS for Online Learning in Non-stationary Time-series [0.0]
  ABOは非常に正確で(ベースラインのカーネルメソッドと比較して)、20～40%のスピード改善を実現している。 結果は、安定したオンライン学習フレームワーク内で適応フィルタリング、カーネル近似、良性過剰適合をリンクする統一ビューを提供する。
  論文  参考訳（メタデータ） (2026-01-29T15:58:01Z)
• Conformal Online Learning of Deep Koopman Linear Embeddings [1.8577594866206437]
  COLoKeは、ストリーミングデータからKoopman不変表現を適応的に更新するフレームワークである。 COLoKeは、新しい状態の整合性の評価から現在のクープマンモデルの整合性評価に焦点を移すコンフォメーションスタイルのメカニズムを採用している。
  論文  参考訳（メタデータ） (2025-11-16T20:08:48Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Nonlinear Assimilation via Score-based Sequential Langevin Sampling [5.107329143106734]
  本稿ではスコアベースシーケンシャルランゲヴィンサンプリング(SSLS)を提案する。 提案手法は,同化過程を交互に予測・更新ステップに分解する。 特定の条件下での総変動(TV)距離におけるSSLS収束の理論的保証を提供する。
  論文  参考訳（メタデータ） (2024-11-20T16:31:46Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Online Variational Filtering and Parameter Learning [26.79116194327116]
  状態空間モデル(SSM)におけるオンライン状態推定とパラメータ学習のための変分法を提案する。 我々は、モデルパラメータと状態の後方分布の変動近似の両方に関して、ログエビデンスの低い境界を同時に最適化するために勾配を用いる。 従来の手法と異なり,本手法では,過去の観測結果が組み込まれてから修正する必要がなく,更新のコストが一定であるように,完全にオンラインで運用することが可能である。
  論文  参考訳（メタデータ） (2021-10-26T10:25:04Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。