論文の概要: When Dynamics Models Read the Wrong Time Steps: Label-Free Event Credit Re-Anchoring for Robust Global Readouts

• arxiv url: http://arxiv.org/abs/2606.17572v1
• Date: Tue, 16 Jun 2026 06:21:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.305986
• Title: When Dynamics Models Read the Wrong Time Steps: Label-Free Event Credit Re-Anchoring for Robust Global Readouts
• Title（参考訳）: ダイナミクスモデルが間違ったタイムステップを読むとき:ロバストなグローバルリードアウトのためのラベルなしイベントクレジット再登録
• Authors: Yifan Wang,
• Abstract要約: 学習可能なダイナミクスモデルは、ステップごとの特徴列を1つの読み出しベクトルにプールすることで、グローバルな物理問題に答えることが多い。 軌道レベルの監視のみにより、モデルは十分なスムーズな相関関係を読みながら、訓練条件下で正確に予測できる。 我々は、イベントステップにどれだけのプールされたクレジットが着地するかを測定するための、インターフェースレベルの調査であるCredit-in-Eventを提案する。 次に、学習した機能から過渡的なイベントコアを推定し、プールされた表現を再アンカーする、トレーニング不要でラベルなしの読み出しであるCRESTを提案する。
• 参考スコア（独自算出の注目度）: 6.016090674751934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learned dynamics models often answer global physical questions, such as fault severity or impact stiffness, by pooling a per-step feature sequence into one readout vector. This sequence-to-global interface creates an under-studied temporal credit problem: with only trajectory-level supervision, a model can predict accurately in training conditions while reading from abundant smooth correlates rather than the brief physical events that determine the target. We call this failure temporal credit dilution. It is not exposed by the training loss and is not removed by standard physics-informed residuals, because the error lies in where the global readout assigns functional credit. We introduce Credit-in-Event, an interface-level probe for measuring how much pooled credit lands on event steps, and prove in closed form that a pooled linear reader routes credit to a spurious background channel as the event fraction shrinks. We then propose CREST, a training-free and label-free readout that estimates a transient event core from learned features and re-anchors the pooled representation through event-versus-rest contrast. Across simulated gear and impact systems, recurrent and attention encoders, and public bearing vibration data, CREST reduces out-of-distribution error while restoring event credit. Ablations show that stable-step selection and receptive-field shrinking fail, confirming that the gain comes from event-core credit re-anchoring rather than a generic locality or stability prior.
• Abstract（参考訳）: 学習された力学モデルは、ステップごとの特徴列を1つの読み出しベクトルにプールすることで、故障の重大さや衝撃剛性などのグローバルな物理問題に答えることが多い。 このシークエンス・トゥ・グロバル・インタフェースは、未研究の時間的信用問題を生成する: 軌跡レベルの監督だけで、モデルは、目標を決定する簡単な物理的事象ではなく、豊富な滑らかな相関から読みながら、訓練条件で正確に予測できる。 私たちはこの失敗を時間的信用の希釈と呼ぶ。 トレーニング損失に曝されることはなく、グローバルリードアウトがファンクショナルクレジットを割り当てる場所にあるため、標準物理インフォームド残差によって取り除かれることはない。 我々は、イベントステップにプールされたクレジットがどれだけあるかを測定するためのインターフェースレベルプローブであるCredit-in-Eventを導入し、プールされたリニアリーダーがイベント分率が小さくなるにつれて、クレジットが急激なバックグラウンドチャネルにルーティングされることをクローズドな形で証明する。 次に、学習した機能から過渡的なイベントコアを推定し、イベント-逆ストレッチコントラストを通じてプールされた表現を再アンカーする、トレーニング不要でラベルなしのリードアウトであるCRESTを提案する。 CRESTは、シミュレーションされたギアとインパクトシステム、リカレントおよびアテンションエンコーダ、およびパブリックベアリング振動データ全体にわたって、イベントクレジットを復元しながら配信エラーを低減する。 アブレーションは、安定したステップの選択と受容野の縮小が失敗し、その利得が一般的な局所性や安定性よりもイベントコアのクレジット再集計によるものであることを確認している。

関連論文リスト

• Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing [4.62541204592513]
  本稿では,エラー関連自己回帰予測の時間的制限を克服する構造的不確実性モジュールであるTegerを紹介する。 Tegerはバックボーンに依存しないため、自己回帰エンコーダによって生成される潜伏状態のみを必要とする。
  論文  参考訳（メタデータ） (2026-05-18T08:51:33Z)
• Closing the Loop: A Control-Theoretic Framework for Provably Stable Time Series Forecasting with LLMs [22.486083545585984]
  大規模言語モデル(LLM)は、最近、時系列予測において例外的な可能性を示している。 既存のアプローチは通常、単純で自己回帰的な生成戦略を採用している。 我々は,新しいクローズドループフレームワークである textbfF-LLM を提案する。
  論文  参考訳（メタデータ） (2026-02-13T09:35:12Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• time2time: Causal Intervention in Hidden States to Simulate Rare Events in Time Series Foundation Models [7.400285974510125]
  我々は,ある事象の統計モーメントを他の事象に付与することで,隠れた状態を操作する因果的介入である移植活性化を導入する。 モデルが事象重大性の段階的概念を符号化し、潜在ベクトルノルムはシステム的ショックの大きさに直接関連していることがわかった。 本研究は, モデル予測を規定する潜在概念空間の証拠として, ポストホック帰属から直接因果介入への解釈可能性のシフトが示唆された。
  論文  参考訳（メタデータ） (2025-09-06T18:28:20Z)
• ReTimeCausal: EM-Augmented Additive Noise Models for Interpretable Causal Discovery in Irregular Time Series [32.21736212737614]
  本稿では, 金融, 医療, 気候科学などの高度領域における不規則サンプル時系列における因果発見について検討する。 ReTimeCausalは,物理誘導型データ計算と疎因性推論を統一する付加雑音モデル(ANM)と期待最大化(EM)の新たな統合である。
  論文  参考訳（メタデータ） (2025-07-04T05:39:50Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Persistence-Based Discretization for Learning Discrete Event Systems from Time Series [50.591267188664666]
  Persistは、永続化スコアと呼ばれるスコアを使用して永続的なシンボルを作成するための離散化手法である。 パーシステンススコアで用いられる計量であるクルバック・リーブラーの発散をワッサーシュタイン距離に置き換える。 実験により、改善された永続化スコアは、パーシストが元の時系列の情報を取得する能力を高めることが示されている。
  論文  参考訳（メタデータ） (2023-01-12T14:10:30Z)

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。