論文の概要: RAID: Semantic Graph Diffusion for True Cold-Start and Cross-Lingual Forecasting

• arxiv url: http://arxiv.org/abs/2606.16925v1
• Date: Mon, 15 Jun 2026 16:27:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.76704
• Title: RAID: Semantic Graph Diffusion for True Cold-Start and Cross-Lingual Forecasting
• Title（参考訳）: RAID: 真のコールドスタートとクロスリンガル予測のための意味グラフ拡散
• Authors: Arunkumar V, Manoranjan Gandhudi, Gangadharan G. R., Arun Prakash, S. Senthilkumar,
• Abstract要約: RAID(Retrieval-Augmented Iterative Diffusion)は、履歴に基づく相関学習を意味検索とグラフ条件拡散に置き換えるフレームワークである。 RAIDは、凍結した多言語埋め込みモデルを用いてテキストメタデータを共有意味空間にマッピングし、自然に見えない項目に拡張する帰納的検索グラフを構築する。 厳密なコールドスタートプロトコルの下では、RAIDは予測精度と予測間隔のカバレッジの両方において、強力な基礎モデルと競争ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 1.8923689868452591
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series foundation models show strong transfer performance when given a non-empty history window. However, true cold-start scenarios, where a new item has no prior observations, violate this assumption. We propose RAID (Retrieval-Augmented Iterative Diffusion) a framework, which replaces history-based correlation learning with metadata-driven semantic retrieval and graph-conditioned diffusion. RAID maps textual metadata into a shared semantic space using a frozen multilingual embedding model and constructs an inductive retrieval graph that extends naturally to unseen items. It first forms a base forecast by aggregating information from semantically related neighbors, then refines this forecast with a gated diffusion module to model residual uncertainty. Under a strict true cold-start protocol, RAID outperforms strong foundation models and competitive baselines on both forecasting accuracy and prediction interval coverage, while reducing inference latency by an order of magnitude through non-autoregressive decoding. The shared semantic space also enables zero-shot cross-lingual transfer, allowing a model trained on English descriptions to generalize to items described in other languages without direct supervision.
• Abstract（参考訳）: 時系列基礎モデルは、空でない履歴ウィンドウが与えられると、強い転送性能を示す。 しかし、新しい項目に事前の観測がない真のコールドスタートシナリオは、この仮定に違反している。 本稿では,履歴に基づく相関学習をメタデータ駆動型セマンティック検索とグラフ条件付き拡散に置き換えたRAID(Retrieval-Augmented Iterative Diffusion)フレームワークを提案する。 RAIDは、凍結した多言語埋め込みモデルを用いてテキストメタデータを共有意味空間にマッピングし、自然に見えない項目に拡張する帰納的検索グラフを構築する。 まず、セマンティックな隣人からの情報を集約してベース予測を作成し、その後、この予測をゲート拡散モジュールで洗練し、不確実性をモデル化する。 厳密な真のコールドスタートプロトコルの下では、RAIDは予測精度と予測間隔範囲の両方で強力な基礎モデルと競争ベースラインを上回り、非自己回帰復号による推論遅延を桁違いに低減する。 共有セマンティック空間はまた、ゼロショットの言語間移動を可能にし、英語の記述に基づいて訓練されたモデルは、直接の監督なしに他の言語で記述された項目に一般化することができる。

関連論文リスト

• Hacking Generative Perplexity: Why Unconditional Text Evaluation Needs Distributional Metrics [49.443264461057645]
  拡散および連続フローベースの言語モデルは、言語モデリングに対する非自己回帰的な主要な代替手段として現れている。 両方のパラダイムの進歩は、生成的複雑度(gen-PPL)によって圧倒的に追跡される。 我々は、この指標は正しくないと主張している。構築により、gen-PPLは、文法性やセマンティックコヒーレンスではなく、スコアARの下でのみ予測可能性を測定する。
  論文  参考訳（メタデータ） (2026-06-07T02:35:56Z)
• Heuristic-inspired Reasoning Priors Facilitate Data-Efficient Referring Object Detection [53.988759250627425]
  HeROD(Heuristic-inspired ROD)は、明示的で解釈可能な空間的および意味的推論を注入する軽量でモデルに依存しないフレームワークである。 HeRODは、スカーセラベル体制において強い接地ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-03-25T10:33:22Z)
• GenZ: Foundational models as latent variable generators within traditional statistical models [7.74887919885246]
  我々は,解釈可能な意味的特徴を通じて基礎モデルと統計的モデリングを橋渡しするハイブリッドモデルGenZを提案する。 提案手法は,反復的プロセスを通じて意味的特徴記述を発見することによってこの問題に対処する。 Netflixの映画埋め込みでは、セマンティック記述から0.59コサイン類似度で協調フィルタリング表現を予測する。
  論文  参考訳（メタデータ） (2025-12-31T12:56:01Z)
• TS-RAG: Retrieval-Augmented Generation based Time Series Foundation Models are Stronger Zero-Shot Forecaster [14.512119661418522]
  時系列予測のための検索拡張生成フレームワークTS-RAGを提案する。 具体的には、TS-RAGはトレーニング済みの時系列エンコーダを利用して、専用の知識ベースから意味的に関連するセグメントを検索する。 TS-RAG は最先端のゼロショット予測性能を達成し,既存の TSFM を6.84% まで上回った。
  論文  参考訳（メタデータ） (2025-03-06T16:48:48Z)
• 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)
• Precipitation nowcasting with generative diffusion models [0.0]
  降水処理における拡散モデルの有効性について検討した。 本研究は, 確立されたU-Netモデルの性能と比較したものである。
  論文  参考訳（メタデータ） (2023-08-13T09:51:16Z)
• Towards Fine-Grained Information: Identifying the Type and Location of Translation Errors [80.22825549235556]
  既存のアプローチでは、エラーの位置と型を同期的に考慮することはできない。 我々はtextbf の追加と textbfomission エラーを予測するために FG-TED モデルを構築した。 実験により,本モデルではエラータイプと位置の同時同定が可能であり,最先端の結果が得られた。
  論文  参考訳（メタデータ） (2023-02-17T16:20:33Z)
• A Generative Language Model for Few-shot Aspect-Based Sentiment Analysis [90.24921443175514]
  我々は、アスペクト項、カテゴリを抽出し、対応する極性を予測するアスペクトベースの感情分析に焦点を当てる。 本稿では,一方向の注意を伴う生成言語モデルを用いて,抽出タスクと予測タスクをシーケンス生成タスクに再構成することを提案する。 提案手法は,従来の最先端(BERTをベースとした)の性能を,数ショットとフルショットの設定において,大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-04-11T18:31:53Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)

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。