論文の概要: Discovering Entity-Conditioned Lag Heterogeneity: A Lag-Gated Neural Audit Framework for Panel Time Series

• arxiv url: http://arxiv.org/abs/2605.21542v1
• Date: Wed, 20 May 2026 09:09:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.462064
• Title: Discovering Entity-Conditioned Lag Heterogeneity: A Lag-Gated Neural Audit Framework for Panel Time Series
• Title（参考訳）: エンティティ記述型ラグ不均一性:パネル時系列のためのラグゲート型ニューラルオーディットフレームワーク
• Authors: Andi Xu,
• Abstract要約: AC-GATEは、スケール不変ラグゲートを備えたアダプティブコンディショニングである。 観測可能なエンティティレベルのプロキシを使用して、条件付きモデレートされた分散ラグをインスタンス化する。 非退化で外部に構造化された実データに有効なラグを生成する。
• 参考スコア（独自算出の注目度）: 2.157478102241537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Country-level temporal panels are widely used in empirical analysis. Researchers often need to audit how different entities respond to historical signals over different time horizons. Current approaches typically do not provide directly auditable entity-specific lag summaries. We formulate entity-conditioned heterogeneous lag discovery as a temporal panel mining task and propose AC-GATE, an Adaptive-Conditioning Encoder with a Scale-Invariant Lag Gate. It instantiates conditional Moderated Distributed Lag by using observable entity-level proxies to condition lag-weight distributions over historical observations, thereby making effective lags structural outputs of the model rather than post-hoc explanations. The evaluation is based on a layered audit protocol that separates predictive calibration from lag discovery. A synthetic panel with known ground-truth lags is used for mechanism recovery testing, and two real-world country-level panels are used for external audit and stress testing. The results show that AC-GATE can recover heterogeneous lag structure in synthetic data, and generates non-degenerate, externally structured effective lags in real data.
• Abstract（参考訳）: 国レベルの時間パネルは経験分析に広く使われている。 研究者はしばしば、異なる時間的地平線上で、異なる実体が歴史的信号にどのように反応するかを検査する必要がある。 現在のアプローチは通常、直接監査可能なエンティティ固有のラグサマリーを提供しない。 我々は、時間的パネルマイニングタスクとしてエンティティ条件のヘテロジニアスラグ発見を定式化し、スケール不変ラグゲートを備えた適応整合エンコーダであるAC-GATEを提案する。 観測可能な実体レベルのプロキシを用いて条件付き分散ラグをインスタンス化し、履歴観測上のラグ重み分布を条件付けることにより、ポストホックな説明よりもモデルの構造的な出力を効果的にラグする。 評価は、遅延発見から予測キャリブレーションを分離する層付き監査プロトコルに基づいている。 既知グラウンドトルースラグの合成パネルが機構回復試験に使われ、外部監査とストレステストに2つの現実世界の国レベルのパネルが使用されている。 以上の結果から,AC-GATEは合成データ中の不均一なラグ構造を復元し,非退化・外部構造を有する実データにおける有効ラグを生成できることが示唆された。

関連論文リスト

• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• Conditional Attribution for Root Cause Analysis in Time-Series Anomaly Detection [13.555771273974697]
  本稿では,文脈的に類似したシステム状態に対する異常を記述した条件属性フレームワークを提案する。 本手法は,異常観測を条件とした代表例を検索し,依存関係の保存と運用上の意味のある説明を可能にする。 SWaTとベンチマークの実験により、提案手法は複数の異常検出モデルにおける根本原因同定精度、時間的局所化、ロバスト性を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-04-19T21:01:52Z)
• Evaluating Temporal and Structural Anomaly Detection Paradigms for DDoS Traffic [0.046603287532620725]
  監視されていない異常検出は、クラウドネイティブな5GネットワークにおけるDistributed Denial-of-Service(DDoS)攻撃を検出するために広く使用されている。 ほとんどの研究は、どの特徴空間がデータに最も合うかを検証することなく、時間的または構造的な固定されたトラフィック表現を仮定する。 本稿では,2つの診断手法を用いて,時間的・構造的特徴を優先する軽量な意思決定フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-17T12:59:48Z)
• Time series causal discovery with variable lags [5.929956715430168]
  Causal Bayesian Networks (CBN) は、複雑な実世界の問題に対する不確実性の下で推論するための強力なツールである。 意思決定を支援するために、CBNはネットワークの構造として知られる検討中の変数の因果マップを必要とする。 時間順の有向構造を探索するタブに基づく構造学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-04-15T09:29:19Z)
• Agentic Spatio-Temporal Grounding via Collaborative Reasoning [80.83158605034465]
  時間的ビデオグラウンド(Temporal Video Grounding)は、テキストクエリが与えられたビデオ内の対象物または人の時間的チューブを検索することを目的としている。 本稿では,STVGの課題に対して,オープンワールドおよびトレーニングフリーシナリオに向けたエージェント時空間グラウンド(ASTG)フレームワークを提案する。 具体的には、現代多言語モデル(MLLM)を活用した2つの特殊エージェントSRA(Spatial Reasoning Agent)とTRA(Temporal Reasoning Agent)である。 人気のあるベンチマークの実験は、既存の弱教師付きおよびゼロショットアプローチをマージンで上回る提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2026-02-10T10:16:27Z)
• Labels Matter More Than Models: Quantifying the Benefit of Supervised Time Series Anomaly Detection [56.302586730134806]
  時系列異常検出(TSAD)は、しばしばラベル不足によって制約される重要なデータマイニングタスクである。 現在の研究は、主に教師なし時系列異常検出に焦点を当てている。 本稿では,アーキテクチャの複雑さがTSADの最適経路である,という前提に挑戦する。
  論文  参考訳（メタデータ） (2025-11-20T08:32:49Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
  本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。 このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-15T12:55:57Z)
• Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
  本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。 我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。 既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。 また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-26T05:31:23Z)
• AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly Detection using Data Degradation Scheme [0.7216399430290167]
  時系列、特にラベルなしデータに対する異常検出タスクは、難しい問題である。 自己教師型モデルトレーニングに適切なデータ劣化スキームを適用することで、この問題に対処する。 自己認識機構に触発されて、時間的文脈を認識するトランスフォーマーベースのアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-05-08T05:42:24Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。