論文の概要: Forecasting Technological Directions in Wireless Networks and Mobile Computing via AutoML Framework

• arxiv url: http://arxiv.org/abs/2606.27394v1
• Date: Mon, 22 Jun 2026 17:30:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.269175
• Title: Forecasting Technological Directions in Wireless Networks and Mobile Computing via AutoML Framework
• Title（参考訳）: 無線ネットワークとモバイルコンピューティングにおけるAutoMLフレームワークによる技術的方向性の予測
• Abstract要約: 本研究では,無線ネットワークとモバイルコンピューティング領域におけるトレンド予測のための自動パイプラインを提案する。 このフレームワークはスケーラブルで適応的であり、科学領域全体にわたる堅牢なトレンド分析のために設計されている。 実験結果は高い予測精度を示し、36.76のルート平均角誤差(RMSE)を達成した。
• 参考スコア（独自算出の注目度）: 0.4204652164054227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The exponential increase in scientific publications has driven the emergence of new trends. Accurate forecasting of these developments is essential for researchers and professionals to stay updated with advancements in the field. This study presents an automated pipeline for trend prediction in the wireless networks and mobile computing domain by integrating clustering, topic modeling, and time series analysis. The process begins with the collection of 127,820 abstracts from high-impact journals and conferences, followed by extensive preprocessing and semantic embedding using the SPECTER model. AutoCluster applies meta-learning to select the most suitable clustering algorithm based on the dataset meta-features, ensuring semantically coherent groupings. AutoTopicModeling then employs a successive halving strategy to identify the best-performing topic model per cluster, followed by LLM-assisted topic labeling and optional label generalization. Finally, AutoTrendAnalysis transforms topic-labeled data into time series and applies forecasting models -ARIMA, STL, Prophet, or LSTM - to predict future topic popularity. Topics are classified as strong, weak, or noise signals based on forecast trajectories, offering interpretable insights into emerging and declining research themes. The framework is scalable, adaptive, and designed for robust trend analysis across scientific domains. Experimental results demonstrated high predictive accuracy, achieving a Root Mean Square Error (RMSE) of 36.76.
• Abstract（参考訳）: 科学出版物の急激な増加は、新しい傾向の出現を招いた。 これらの発展の正確な予測は、研究者や専門家がこの分野の進歩とともに更新を続けるために不可欠である。 本研究では、クラスタリング、トピックモデリング、時系列解析を統合することで、無線ネットワークとモバイルコンピューティング領域におけるトレンド予測の自動パイプラインを提案する。 プロセスは、ハイインパクトなジャーナルやカンファレンスからの127,820の抽象資料の収集から始まり、その後、SPECTERモデルを使用した広範な前処理とセマンティックな埋め込みが続く。 AutoClusterは、データセットのメタ機能に基づいて最適なクラスタリングアルゴリズムを選択するためにメタ学習を適用し、セマンティックコヒーレントなグループ化を保証する。 次にAutoTopicModelingは、クラスタ毎に最高のパフォーマンスのトピックモデルを特定するために、連続的に半減的な戦略を採用し、LLMの支援されたトピックラベリングとオプションのラベルの一般化が続く。 最後に、AutoTrendAnalysisはトピックラベルデータを時系列に変換し、予測モデル(ARIMA、STL、Prophet、LSTM)を適用して将来のトピックの人気を予測する。 トピックは、予測軌道に基づいて、強い、弱い、またはノイズ信号に分類され、新興と減少する研究テーマに対する解釈可能な洞察を提供する。 このフレームワークはスケーラブルで適応的であり、科学領域全体にわたる堅牢なトレンド分析のために設計されている。 実験結果は高い予測精度を示し、36.76のルート平均角誤差(RMSE)を達成した。

関連論文リスト

• A Critical Audit of Spatiotemporal Forecasting Benchmark Datasets and Baselines [19.152026148047536]
  従来の時系列手法でベンチマークデータセットを分析して,空間的に認識できない線形モデルが以前報告したよりも強力な競合相手となる理由を明らかにする。 我々の統計分析は、重要な空間的および時間的相関を識別するためのツールセットを提供する。 単純なハイブリッドモデルに解析結果を適用することで、我々の方法論がGNNモデルの開発にどのように貢献するかを示す。
  論文  参考訳（メタデータ） (2026-08-21T11:08:17Z)
• AutoCluster, AutoTopicModeling, AutoTrendAnalysis: A Complete AutoML Pipeline for Predicting Emerging Trends [0.2333246928962179]
  本稿では,自動機械学習(Automated Machine Learning, AutoML)に基づくトレンド予測フレームワークを提案する。 提案システムは,機械学習の専門知識に制限のあるリアルタイムアプリケーションや利害関係者に適した,スケーラブルでユーザフレンドリなソリューションを提供する。 実験の結果,提案方式の最良の試行は7.099の最終的なRMSEを達成し,高い予測精度を示した。
  論文  参考訳（メタデータ） (2026-06-23T18:35:20Z)
• VESTA: Visual Exploration with Statistical Tool Agents [56.76643750765825]
  VESTA: 統計ツールエージェントを用いたビジュアル探索について紹介する。 VESTAの動的ツール生成は、以前のエージェントパイプラインよりも優れていることを示す。 また,分散フィッティングと時系列を対象とするベンチマークであるDAWNについても紹介する。
  論文  参考訳（メタデータ） (2026-05-29T21:57:37Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Extreme value forecasting using relevance-based data augmentation with deep learning models [3.503370263836711]
  本研究では,極値予測のためのデータ拡張フレームワークを提案する。 我々は、GANや合成マイノリティオーバーサンプリング技術(SMOTE)といったデータ拡張モデルと組み合わせて、ディープラーニングモデルを使用する。 以上の結果から,SMOTEをベースとした戦略は高い適応性を示し,短期・長期の予測における性能向上につながることが示唆された。
  論文  参考訳（メタデータ） (2025-10-02T06:10:27Z)
• Automating Data-Driven Modeling and Analysis for Engineering Applications using Large Language Model Agents [3.344730946122235]
  本稿では,Large Language Model (LLM) エージェントを用いてデータ駆動モデリングと分析を自動化する革新的なパイプラインを提案する。 協調エージェントを特徴とするマルチエージェントシステムと、Reasoning and Acting(ReAct)パラダイムに基づく単一エージェントシステムである。
  論文  参考訳（メタデータ） (2025-10-01T19:28:35Z)
• VSFormer: Value and Shape-Aware Transformer with Prior-Enhanced Self-Attention for Multivariate Time Series Classification [47.92529531621406]
  識別パターン(形状)と数値情報(値)の両方を組み込んだVSFormerを提案する。 さらに、教師付き情報から派生したクラス固有の事前情報を抽出し、位置エンコーディングを強化する。 30のUEAアーカイブデータセットに対する大規模な実験は、SOTAモデルと比較して、我々の手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-21T07:31:22Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• An Adaptive Framework for Generalizing Network Traffic Prediction towards Uncertain Environments [51.99765487172328]
  我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。 我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-11-30T18:58:38Z)
• A Clustering-aided Ensemble Method for Predicting Ridesourcing Demand in Chicago [0.0]
  本研究では,配車サービスにおけるゾーン間移動需要を予測するためのクラスタリング支援型アンサンブル手法(CEM)を提案する。 シカゴのライドソーシングトリップデータを用いて提案手法の実装と試験を行った。
  論文  参考訳（メタデータ） (2021-09-08T04:58:29Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)

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。