論文の概要: Does Text Actually Help? Uncovering and Resolving Text Collapse in Multimodal Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.19413v1
• Date: Wed, 17 Jun 2026 15:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.455929
• Title: Does Text Actually Help? Uncovering and Resolving Text Collapse in Multimodal Time Series Forecasting
• Title（参考訳）: テキストは本当に役に立つのか? マルチモーダル時系列予測におけるテキストの崩壊の発見と解決
• Authors: Huu Hiep Nguyen, Minh Hoang Nguyen, Dung Nguyen, Hung Le,
• Abstract要約: テキストの崩壊は時系列予測における基本的な非対称性の結果であると主張する。 textbfREST-TS(textbfResidual-textbf Exclusive textbfSupervision for textbfText in textbfTime textbfSeries)を提案する。
• 参考スコア（独自算出の注目度）: 7.885089945243776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal time series forecasting, which pairs numerical sequences with domain-relevant textual reports, promises to inject world knowledge into forecasting pipelines. However, we uncover a critical failure mode in existing frameworks that we term text collapse: the text branch converges to a content-independent transformation, contributing negligible discriminative signal regardless of the input description. We argue that text collapse is a consequence of a fundamental asymmetry in time series forecasting: the numerical input is strongly autocorrelated with the output, making the numerical backbone inherently dominant, while the text branch, despite carrying complementary and often critical information, is insufficiently utilized, leading to its systematic underexploitation. To address this, we propose \textbf{REST-TS} (\textbf{R}esidual-\textbf{E}xclusive \textbf{S}upervision for \textbf{T}ext in \textbf{T}ime \textbf{S}eries), which turns the asymmetry into a design principle: the numerical backbone produces its own independent numerical forecast, and the text branch is exclusively supervised to predict the structured components of the residual, the prediction gap that numbers cannot explain. Because no numerical pathway can reduce these losses, the text branch must extract genuine content from the input description. Evaluated across diverse real-world domains and backbone architectures, REST-TS achieves state-of-the-art performance and consistently demonstrates greater text-branch utilization than existing frameworks, providing strong empirical evidence that supervising the text branch on the residual compels it to extract genuine content from the input.
• Abstract（参考訳）: 数値シーケンスとドメイン関連テキストレポートを組み合わせたマルチモーダル時系列予測は、予測パイプラインに世界知識を注入することを約束する。 テキストブランチは、コンテンツに依存しない変換に収束し、入力記述によらず無視可能な識別シグナルに寄与する。 テキストの崩壊は、時系列予測における基本的な非対称性の結果であり、数値入力は出力と強く自己相関しており、数値バックボーンは本質的に支配的である。 これを解決するために, 数値バックボーンは独立な数値予測を生成, テキストブランチは, 残基の構造的成分を予測するために排他的に監督される。 これらの損失を減少させる数値的な経路が存在しないため、テキストブランチは入力記述から真のコンテンツを抽出しなければならない。 さまざまな現実世界のドメインやバックボーンアーキテクチャで評価され、REST-TSは最先端のパフォーマンスを達成し、既存のフレームワークよりもずっと高いテキストブランチ利用を示している。

関連論文リスト

• PRISM: Prior Rectification and Uncertainty-Aware Structure Modeling for Diffusion-Based Text Image Super-Resolution [51.96078493242164]
  PRISMは単一ステップ拡散ベースのText-SRフレームワークである。 PRISMはミリ秒レベルの推論で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-05-13T05:31:06Z)
• Why Mean Pooling Works: Quantifying Second-Order Collapse in Text Embeddings [30.943998879066857]
  トークンの埋め込みを平均化する平均プールは、テキストの埋め込みを構築するための標準的なアプローチである。 本稿では,実際のモデルにおいて,プールが実際に有効であるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-04-30T04:09:26Z)
• From Text to Forecasts: Bridging Modality Gap with Temporal Evolution Semantic Space [30.02774781484044]
  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。
  論文  参考訳（メタデータ） (2026-03-13T05:11:54Z)
• A Context-Driven Training-Free Network for Lightweight Scene Text Segmentation and Recognition [32.142713322062306]
  テキスト認識システムは、広範囲のトレーニングを必要とする大規模なエンドツーエンドアーキテクチャに依存しており、リアルタイムシナリオでは極めて高価である。 本稿では,冗長計算を最小化しつつ,事前学習したテキスト認識器の強みを生かした,学習不要なプラグイン・アンド・プレイフレームワークを提案する。 提案手法では,文脈に基づく理解と注目に基づくセグメンテーションのステージを導入し,画素レベルの候補テキスト領域を改良する。
  論文  参考訳（メタデータ） (2025-03-19T18:51:01Z)
• TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [61.186488081379]
  Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。 TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。 分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
  論文  参考訳（メタデータ） (2023-06-06T03:37:41Z)
• TPS++: Attention-Enhanced Thin-Plate Spline for Scene Text Recognition [78.67283660198403]
  テキストの不規則性は、シーンテキスト認識者に重大な課題をもたらす。 TPS++は、テキストの修正にアテンションメカニズムを組み込んだ、アテンション強化TPS変換である。 常に認識を改善し、最先端の精度を達成する。
  論文  参考訳（メタデータ） (2023-05-09T10:16:43Z)
• BOTD: Bold Outline Text Detector [85.33700624095181]
  我々はBold Outline Text Detector(BOTD)と呼ばれる新しい1段テキスト検出器を提案する。 BOTDは、モデルの複雑さを低くして任意の形のテキストを処理できる。 3つの実世界のベンチマークによる実験結果から,BOTDの最先端性能が示された。
  論文  参考訳（メタデータ） (2020-11-30T11:54:14Z)
• Text Perceptron: Towards End-to-End Arbitrary-Shaped Text Spotting [49.768327669098674]
  テキストパーセプトロン(Text Perceptron)という,エンドツーエンドのトレーニング可能なテキストスポッティング手法を提案する。 まず、テキスト読解順序と境界情報を学ぶ効率的なセグメンテーションベースのテキスト検出器を用いる。 次に、検出された特徴領域を正規形態に変換するために、新しい形状変換モジュール(STM)を設計する。
  論文  参考訳（メタデータ） (2020-02-17T08:07:19Z)

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。