論文の概要: Overcoming the Modality Gap in Context-Aided Forecasting

• arxiv url: http://arxiv.org/abs/2603.12451v2
• Date: Mon, 16 Mar 2026 19:46:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 13:19:43.843845
• Title: Overcoming the Modality Gap in Context-Aided Forecasting
• Title（参考訳）: コンテキスト支援型予測におけるモダリティギャップの克服
• Authors: Vincent Zhihao Zheng, Étienne Marcotte, Arjun Ashok, Andrew Robert Williams, Lijun Sun, Alexandre Drouin, Valentina Zantedeschi,
• Abstract要約: 本稿では,時間的力学の記述と数値履歴に相補的な文脈を生成する半合成データ拡張手法を提案する。 このアプローチによって大規模なデータセット生成が可能になり、700万のコンテキスト拡張時系列ウィンドウのコーパスであるCAF-7Mが実現される。
• 参考スコア（独自算出の注目度）: 54.976964834365056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Context-aided forecasting (CAF) holds promise for integrating domain knowledge and forward-looking information, enabling AI systems to surpass traditional statistical methods. However, recent empirical studies reveal a puzzling gap: multimodal models often fail to outperform their unimodal counterparts. We hypothesize that this underperformance stems from poor context quality in existing datasets, as verification is challenging. To address these limitations, we introduce a semi-synthetic data augmentation method that generates contexts both descriptive of temporal dynamics and verifiably complementary to numerical histories. This approach enables massive-scale dataset creation, resulting in CAF-7M, a corpus of 7 million context-augmented time series windows, including a rigorously verified test set. We demonstrate that semi-synthetic pre-training transfers effectively to real-world evaluation, and show clear evidence of context utilization. Our results suggest that dataset quality, rather than architectural limitations, has been the primary bottleneck in context-aided forecasting.
• Abstract（参考訳）: コンテキスト支援予測(CAF)は、ドメイン知識と前方視情報を統合することを約束し、AIシステムが従来の統計手法を超えることを可能にする。 しかし、近年の実証研究では、マルチモーダルモデルが不定型モデルよりも優れていることがしばしばあるという、不合理なギャップが明らかになっている。 この過小評価は、検証が難しいため、既存のデータセットのコンテキスト品質が低いことが原因である、という仮説を立てる。 これらの制約に対処するために,時間的ダイナミクスの記述と数値履歴の相補性の両方の文脈を生成する半合成データ拡張手法を提案する。 このアプローチは大規模なデータセット生成を可能にし、厳格に検証されたテストセットを含む700万のコンテキスト拡張時系列ウィンドウのコーパスであるCAF-7Mを実現する。 本研究では,半合成事前学習が実世界の評価に有効であることを示すとともに,文脈利用の明確な証拠を示す。 この結果から,アーキテクチャ上の制約よりもデータセットの品質が,コンテキスト支援予測における主要なボトルネックとなっていることが示唆された。

関連論文リスト

• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• SMOTExT: SMOTE meets Large Language Models [19.394116388173885]
  本稿では,SMOTE(Synthetic Minority Over-sampling)の概念をテキストデータに適用する新しい手法SMOTExTを提案する。 提案手法は,既存の2つの例のBERTベースの埋め込みを補間することにより,新しい合成例を生成する。 初期の実験では、生成されたデータのみを対象としたトレーニングモデルは、元のデータセットでトレーニングされたモデルと同等のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-05-19T17:57:36Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• Soundness of Data-Aware Processes with Arithmetic Conditions [8.914271888521652]
  データペトリネット(DPN)は、単純さと表現性のバランスをとる能力によって、人気が高まっている。 データと制御フローの相互作用は、そのようなモデルの正しさ、特に音の良さ、決定的かつ困難さの確認を可能にする。 算術データ条件に富んだDPNの音質を評価するための枠組みを提供する。
  論文  参考訳（メタデータ） (2022-03-28T14:46:10Z)

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。