論文の概要: From Text to Forecasts: Bridging Modality Gap with Temporal Evolution Semantic Space
- arxiv url: http://arxiv.org/abs/2603.12664v2
- Date: Mon, 16 Mar 2026 10:24:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 18:28:57.694189
- Title: From Text to Forecasts: Bridging Modality Gap with Temporal Evolution Semantic Space
- Title（参考訳）: テキストから予測へ:時間的進化のセマンティック空間によるモダリティギャップのブリッジ
- Authors: Lehui Li, Yuyao Wang, Jisheng Yan, Wei Zhang, Jinliang Deng, Haoliang Sun, Zhongyi Han, Yongshun Gong,
- Abstract要約: 既存の手法は冗長なトークンに過度に依存し、テキスト意味論を使用可能な数値キューに確実に翻訳するのに苦労していることを示す。
モーダル間の中間ボトルネックとして時間的進化的セマンティック空間を導入したTESSを提案する。
4つの実世界のデータセットの実験では、最先端のユニモーダルベースラインやマルチモーダルベースラインと比較して、予測エラーが29%減少することが示された。
- 参考スコア（独自算出の注目度）: 30.02774781484044
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Incorporating textual information into time-series forecasting holds promise for addressing event-driven non-stationarity; however, a fundamental modality gap hinders effective fusion: textual descriptions express temporal impacts implicitly and qualitatively, whereas forecasting models rely on explicit and quantitative signals. Through controlled semi-synthetic experiments, we show that existing methods over-attend to redundant tokens and struggle to reliably translate textual semantics into usable numerical cues. To bridge this gap, we propose TESS, which introduces a Temporal Evolution Semantic Space as an intermediate bottleneck between modalities. This space consists of interpretable, numerically grounded temporal primitives (mean shift, volatility, shape, and lag) extracted from text by an LLM via structured prompting and filtered through confidence-aware gating. Experiments on four real-world datasets demonstrate up to a 29 percent reduction in forecasting error compared to state-of-the-art unimodal and multimodal baselines. The code will be released after acceptance.
- Abstract（参考訳）: 時系列予測にテキスト情報を組み込むことは、イベント駆動の非定常性に対処する約束があるが、基本的なモダリティギャップは効果的な融合を妨げる: テキスト記述は時間的影響を暗黙的に、質的に表現するが、予測モデルは明示的で定量的な信号に依存する。
制御された半合成実験を通して、既存の手法が冗長なトークンに過度に依存し、テキスト意味論を使用可能な数値的手がかりに確実に翻訳することに苦慮していることを示す。
このギャップを埋めるために,モーダル間の中間ボトルネックとして時間進化セマンティック空間を導入するTESSを提案する。
この空間は、LLMによってテキストから抽出された解釈可能で数値的な時間的プリミティブ(平均シフト、ボラティリティ、形状、ラグ)で構成され、構造化されたプロンプトを通して抽出され、信頼を意識したゲーティングによってフィルタリングされる。
4つの実世界のデータセットの実験では、最先端のユニモーダルベースラインやマルチモーダルベースラインと比較して、予測エラーが29%減少することが示された。
コードは受け入れられた後にリリースされる。
関連論文リスト
- Overcoming the Modality Gap in Context-Aided Forecasting [54.976964834365056]
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。
論文 参考訳（メタデータ） (2026-03-12T21:05:33Z) - Time-Annealed Perturbation Sampling: Diverse Generation for Diffusion Language Models [11.196851704643406]
拡散言語モデル (Diffusion-LMs) はテキスト生成に明示的な時間次元を導入する。
画像生成における拡散モデルと同様に拡散-LMは時間的分業を示す。
拡散過程の早期にセマンティック分岐を促すトレーニングフリー推論戦略である,TAPS(Time-Annealed Perturbation Smpling)を提案する。
TAPSはLLaDAとTraDoで実証された非自己回帰的・半自己回帰的拡散のバックボーンと互換性があり、生成品質を損なうことなく創造的記述や推論ベンチマークの出力の多様性を一貫して改善する。
論文 参考訳（メタデータ） (2026-01-30T06:39:33Z) - BiPrompt: Bilateral Prompt Optimization for Visual and Textual Debiasing in Vision-Language Models [7.174865411448373]
テスト時間適応時の両モード間の非因果的特徴依存を緩和する二元的プロンプト最適化フレームワーク(BiPrompt)を提案する。
視覚面では、背景のアクティベーションを抑制し、因果領域と突発領域の間の予測一貫性を強制するために、構造化された注意誘導消去を用いる。
テキスト側では、クラス埋め込みを等方的意味空間に整合させる学習可能な再中心化機構である、バランスの取れたプロンプト正規化を導入している。
論文 参考訳（メタデータ） (2026-01-05T14:22:20Z) - How Different from the Past? Spatio-Temporal Time Series Forecasting with Self-Supervised Deviation Learning [15.102926671713668]
時空間連続時間予測フレームワークST-SSDLを提案する。
典型的な時間パターンを表す学習可能なプロトタイプを用いて潜在空間を識別する。
実験によると、ST-SSDLは複数のメトリクスで常に最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-10-06T15:21:13Z) - Explaining multimodal LLMs via intra-modal token interactions [55.27436637894534]
MLLM(Multimodal Large Language Models)は、様々な視覚言語タスクにおいて顕著な成功を収めているが、その内部決定機構は十分に理解されていない。
モーダル内相互作用を利用した解釈可能性の向上を提案する。
論文 参考訳（メタデータ） (2025-09-26T14:39:13Z) - EventTSF: Event-Aware Non-Stationary Time Series Forecasting [73.54313384419792]
EventTSFは、過去の時系列とテキストイベントを統合し、その後の予測を行う自動回帰生成フレームワークである。
8つの合成および実世界のデータセットの実験によると、EventTSFは、さまざまなイベント対応の非定常時系列予測シナリオで12のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-08-19T01:28:47Z) - Time-Prompt: Integrated Heterogeneous Prompts for Unlocking LLMs in Time Series Forecasting [13.283980715705693]
時系列予測は、変数間の時間的依存関係を将来の状態推論のためにモデル化することを目的としている。
深層学習に基づく手法は目覚ましい進歩を遂げているが, 長期的な予測では, 依然として準最適性能を示している。
本稿では,時系列予測のための大規模言語モデルを活性化するフレームワークであるTime-Promptを提案する。
論文 参考訳（メタデータ） (2025-06-21T08:22:25Z) - RePST: Language Model Empowered Spatio-Temporal Forecasting via Semantic-Oriented Reprogramming [24.9561009415531]
我々は,事前学習言語モデル(PLM)の推論と一般化能力を活用して,複雑な時間的予測を実現することを目的とする。
本稿では,時間的予測に適した意味指向型 PLM プログラミングフレームワーク RePST を提案する。
論文 参考訳（メタデータ） (2024-08-24T07:59:36Z) - Contextualized Semantic Distance between Highly Overlapped Texts [85.1541170468617]
テキスト編集や意味的類似性評価といった自然言語処理タスクにおいて、ペア化されたテキストに重複が頻繁に発生する。
本稿では,マスク・アンド・予測戦略を用いてこの問題に対処することを目的とする。
本稿では,最も長い単語列の単語を隣接する単語とみなし,その位置の分布を予測するためにマスク付き言語モデリング(MLM)を用いる。
セマンティックテキスト類似性の実験では、NDDは様々な意味的差異、特に高い重なり合うペアテキストに対してより敏感であることが示されている。
論文 参考訳（メタデータ） (2021-10-04T03:59:15Z)
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。