論文の概要: The Inference-Compute Frontier and a Latency-Efficient Architecture for Limit Order Book Prediction

• arxiv url: http://arxiv.org/abs/2606.25986v1
• Date: Wed, 24 Jun 2026 15:54:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.390564
• Title: The Inference-Compute Frontier and a Latency-Efficient Architecture for Limit Order Book Prediction
• Title（参考訳）: 極限順序ブック予測のための推論計算フロンティアと遅延効率アーキテクチャ
• Abstract要約: 予測的損失と構造的前進の実証的フロンティアは、権力法則によってよく要約されている。 我々はハードウェアフレンドリーな時間・特徴混合操作から構築した高密度軸分離型LOBミキサーであるFastBiNLOBを動機付けている。 FastBiNLOBは発行された$y_10$と$y_100$のマクロF1ターゲットを超え、既存のSOTAアーキテクチャよりも明らかにレイテンシが低い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We study whether a scaling-law-style inference-compute frontier appears in limit order book prediction. Using FI-2010 and a suite of models ranging from small decision trees to neural LOB architectures, we find that the realized empirical frontier of predictive loss versus structural forward work is well summarized by a power law. In particular, with MLPLOB held out as an architecture family, a power-law fit to the low- and mid-compute non-MLPLOB frontier extrapolates across multiple orders of magnitude and attains $R^2=0.941$ on the excluded high-compute MLPLOB target frontier. A similar exercise in latency space gives substantially weaker results, showing that latency is not merely noisy compute. We use this gap to motivate FastBiNLOB, a dense axis-separable LOB mixer built from hardware-friendly temporal and feature mixing operations. In a five-seed experiment, FastBiNLOB exceeds the published $y_{10}$ and $y_{100}$ macro-F1 targets at notably lower latency than existing published SOTA architectures.
• Abstract（参考訳）: 本稿では,拡張法則型推論計算フロンティアが限定順序帳の予測に現れるかどうかを考察する。 FI-2010と、小さな決定木から神経LOBアーキテクチャまで、一連のモデルを用いて、予測損失と構造的前処理の実証的フロンティアは、電力法則によってよく要約されている。 特に、MLPLOBはアーキテクチャファミリであり、低域と中域の非MLPLOBフロンティアに適合するパワーローは、数桁にわたって外挿され、除外された高域のMLPLOBターゲットフロンティアで$R^2=0.941$に達する。 同様のレイテンシ空間でのエクササイズは、レイテンシが単にノイズの多い計算であることを示す、かなり弱い結果をもたらす。 我々はこのギャップを利用して、ハードウェアフレンドリーな時間・特徴混合操作から構築された高密度軸分離型LOBミキサーであるFastBiNLOBを動機付けている。 5シードの実験では、FastBiNLOBは発行された$y_{10}$と$y_{100}$マクロF1ターゲットを超え、既存のSOTAアーキテクチャよりも明らかにレイテンシが低い。

関連論文リスト

• ECHO: Early-layer Collaborative Hierarchical Orchestration with Bonus Logits in Speculative Decoding [60.34475274870224]
  ECHOは、LLM層間の機能的非対称性を利用する階層的なデュアルループフレームワークである。 インナーループ内では、アーリーレイヤのボーナスロジットは、最小限のコストで、高速で多段階のドラフトツリー探索を駆動する。 ECHOは平均的なトークンを著しく増加させ、2.4$times$2.9$times$スピードアップを達成する。
  論文  参考訳（メタデータ） (2026-09-15T14:21:33Z)
• Deep Learning for Joint Narrowband Interference Cancellation and Soft Demodulation in OFDM Systems [3.1567687557500297]
  狭帯域干渉(NBI)は周波数分割多重化(OFDM)システムを著しく劣化させる。 我々は統合型ディープラーニングフレームワークを用いて、NBIキャンセルと堅牢なソフト復調を行う。
  論文  参考訳（メタデータ） (2026-07-09T17:26:43Z)
• DIRECT: When and Where Should You Allocate Test-Time Compute in Embodied Planners? [57.585275546688116]
  VLM(Vision-Language Models)は、エンボディエージェントの高レベルプランナーとしてますます普及している。 テストタイムの計算をいつ、どこで使うかを選択することは、実際の世界にフロンティアパフォーマンスをもたらす中心である、と私たちは主張する。 我々はマルチモーダルシーンコンテキストを用いてプロンプト毎に計算を割り当てるルーティングフレームワークであるDIRECTを紹介した。
  論文  参考訳（メタデータ） (2026-06-10T17:58:49Z)
• Dimensionality Reduction for Robust Federated Learning: A Theoretical Analysis and Convergence Guarantee [14.954293251332894]
  Federated Learning (FL)は、クライアントが生データを共有せずにモデルを協調的にトレーニングすることを可能にするが、ビザンティン攻撃に対して非常に脆弱である。 既存の堅牢なアプローチはこれらの脅威を中和するが、かなりの計算オーバーヘッドを発生させる。 ベクトルレベル距離に基づくロバストアグリゲータのための普遍加速度フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-27T11:39:47Z)
• Fault-tolerant simulation of the electronic structure using Projector Augmented-Waves and Bloch orbitals [43.936586633107396]
  本稿では、Bloch-orbital $k$-space構造とユニタリプロジェクタ拡張波増幅を組み合わせたBloch--UPAWフレームワークを提案する。 量子化に適した線形コンビネーション・オブ・ユニタリ分解回路とブロック符号化回路を導出する。 漸近的に、Toffoliのコストは$k$-meshの精製時に$mathcalO(N_k3)$、スーパーセルの拡張時に$mathcalO(N_a3.5)$とスケールする。
  論文  参考訳（メタデータ） (2026-04-13T23:46:58Z)
• FineRMoE: Dimension Expansion for Finer-Grained Expert with Its Upcycling Approach [58.345210583013454]
  FineRMoEは、細粒度の専門家設計を中間次元と出力次元の両方に拡張するアーキテクチャである。 パラメータ効率の6倍、プリフィルレイテンシの281倍、推論時の復号スループットの136倍を実現している。
  論文  参考訳（メタデータ） (2026-03-09T12:00:36Z)
• Machine Learning Models to Identify Promising Nested Antiresonance Nodeless Fiber Designs [0.0]
  高速なネスト型反共振ノードレスファイバ(NANF)の同定を目的とした機械学習フレームワークを提案する。 小型データセットは, 安定かつ高精度な性能予測に十分であり, 設計空間を最大14e6$のケースで探索できることを示す。
  論文  参考訳（メタデータ） (2026-03-02T14:13:59Z)
• $\texttt{SPECS}$: Faster Test-Time Scaling through Speculative Drafts [55.231201692232894]
  $textttSPECS$は、投機的デコードにインスパイアされた遅延対応のテスト時間スケーリングメソッドである。 我々の結果は、$textttSPECS$matchはビームサーチの精度を上回り、最大$sim$19.1%のレイテンシを削減していることを示している。
  論文  参考訳（メタデータ） (2025-06-15T05:50:05Z)
• Exploring Microstructural Dynamics in Cryptocurrency Limit Order Books: Better Inputs Matter More Than Stacking Another Hidden Layer [9.2463347238923]
  ニューラルネットワークに余分な隠蔽層やパラメータを追加することで、短期的な価格予測が真に向上するかどうかを検討することを目的としている。 我々は,BTC/USDT LOBスナップショットを100ミリ秒から複数秒間隔で公開して,解釈可能なベースライン,ロジスティック回帰,XGBoostからディープアーキテクチャ(DeepLOB,Conv1D+LSTM)まで,モデルをベンチマークする。
  論文  参考訳（メタデータ） (2025-06-06T05:43:30Z)
• Efficient Large Language Model Inference with Neural Block Linearization [51.619870789584525]
  本稿では,トランスフォーマーモデル推論を高速化する新しいフレームワークであるNeural Block Linearization (NBL)を紹介する。 NBLは、線形最小平均正方形誤差推定器から導かれる線形近似で自己アテンション層を置き換える。 実験では、NBLは競争精度を維持しながら、顕著な計算スピードアップを達成する。
  論文  参考訳（メタデータ） (2025-05-27T12:01:43Z)
• Axial-LOB: High-Frequency Trading with Axial Attention [0.0]
  Axial-LOBは、リミットオーダーブック(LOB)データから在庫の価格変動を予測するための、完全に意図したディープラーニングアーキテクチャである。 我々のアーキテクチャは、グローバルな相互作用を取り入れた特徴マップを構築することができ、パラメータ空間のサイズを大幅に削減できる。 Axial-LOBの有効性は、数百万の高周波取引イベントの時系列表現を含む大規模なベンチマークデータセットで実証されている。
  論文  参考訳（メタデータ） (2022-12-04T12:11:03Z)
• $\ exttt{FedBC}$: Calibrating Global and Local Models via Federated Learning Beyond Consensus [66.62731854746856]
  フェデレートラーニング(FL)では、デバイス全体にわたるモデル更新の集約を通じて、グローバルモデルを協調的に学習する目的は、ローカル情報を通じたパーソナライズという目標に反対する傾向にある。 本研究では,このトレードオフを多基準最適化により定量的にキャリブレーションする。 私たちは、$texttFedBC$が、スイートデータセット間でグローバルおよびローカルモデルのテスト精度のメトリクスのバランスをとることを実証しています。
  論文  参考訳（メタデータ） (2022-06-22T02:42:04Z)
• Improved Branch and Bound for Neural Network Verification via Lagrangian Decomposition [161.09660864941603]
  ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。 活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。 BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
  論文  参考訳（メタデータ） (2021-04-14T09:22:42Z)
• UFO-BLO: Unbiased First-Order Bilevel Optimization [42.49533978193117]
  我々は,この収束を理論的に保証できる,新しいFOBLOに基づく外層勾配の非バイアス推定法を提案する。 この結果はOmniglotとMini-ImageNet,人気の数ショットメタラーニングベンチマークの実験結果によって裏付けられている。
  論文  参考訳（メタデータ） (2020-06-05T18:53:45Z)

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。