論文の概要: Parameter-Efficient Quantum-Inspired Fast Weight Programmers for Traffic-Matrix Forecasting

• arxiv url: http://arxiv.org/abs/2606.27821v1
• Date: Fri, 26 Jun 2026 08:02:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.415409
• Title: Parameter-Efficient Quantum-Inspired Fast Weight Programmers for Traffic-Matrix Forecasting
• Title（参考訳）: トラヒック行列予測のためのパラメータ効率のよい量子インスピレーション型高速重みプログラム
• Abstract要約: 本稿では, 専用グラフ, 変圧器, 拡散モジュールを使わずに, コンパクトな量子インスピレーション・リカレントモデルにより, 効率的なTM予測が可能かどうかを考察する。 我々は、Abilene TM 予測を指向するために、ゲート量子インスパイアされた Kolmogorov-Arnold ネットワーク高速プログラマ (QKAN-FWPs) を適用した。 固定予算学習プロトコルを用いて、マッチングサイズ長短メモリ(LSTM)ネットワーク、より大きなLSTM、および古典的な高速なプログラマに対して、QKAN配置の3つのバリエーションをベンチマークする。
• 参考スコア（独自算出の注目度）: 10.494232787136452
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic matrices (TMs) capture network-wide origin-destination demand and are central to traffic engineering, yet accurate whole-matrix forecasting remains challenging when prediction must be performed under the memory, update, and training-budget constraints of online network control. This paper investigates whether compact quantum-inspired recurrent models can provide effective TM forecasts without relying on dedicated graph, transformer, or diffusion modules. We adapt gated quantum-inspired Kolmogorov-Arnold network fast-weight programmers (QKAN-FWPs) to direct multi-step Abilene TM forecasting, where each model predicts the next 20 five-minute frames of a 144-channel origin-destination (OD) matrix from a two-hour history. We benchmark three QKAN placement variants against a matched-size long short-term memory (LSTM) network, a larger LSTM, and a classical gated fast-weight programmer under a shared fixed-budget training protocol. Among the evaluated recurrent models, G-QKANFWP achieves the best pooled root-mean-square error (RMSE), while using only 22.4% of the larger LSTM. It also outperforms both the matched-size LSTM and the classical G-FWP baseline, indicating that the gain is not due to gated fast-weight framework alone. Convergence and channel-wise analyses further show that the quantum-inspired variants obtain lower validation-loss area under the learning curve (AULC) than matched-size recurrent baselines, while G-QKANFWP and GQKAN-FWP achieve substantially more OD-channel wins. These results identify a classical slow programmer with a quantum-inspired fast programmer as a promising accuracy-efficiency design for resource-conscious network traffic-matrix forecasting.
• Abstract（参考訳）: トラフィック行列(TM)は、ネットワーク全体の起因決定要求をキャプチャし、トラフィックエンジニアリングの中心であるが、オンラインネットワーク制御のメモリ、更新、トレーニング予算制約の下で予測を行う必要がある場合、正確な全行列予測は依然として困難である。 本稿では, 専用グラフ, 変圧器, 拡散モジュールを使わずに, コンパクトな量子インスピレーション・リカレントモデルにより, 効率的なTM予測が可能かどうかを考察する。 量子インスパイアされたKolmogorov-Arnoldネットワーク高速プログラマ(QKAN-FWPs)を多段階のAbilene TM予測に適応させ、各モデルが2時間の歴史から144チャネルのオリジン決定(OD)行列の次の5分間のフレームを予測する。 固定予算学習プロトコルを用いて、マッチングサイズ長短メモリ(LSTM)ネットワーク、より大きなLSTM、および古典的な高速なプログラマに対して、QKAN配置の3つのバリエーションをベンチマークする。 評価されたリカレントモデルのうち、G-QKANFWPは、より大きなLSTMの22.4%しか使用せず、最適なルート平均二乗誤差(RMSE)を達成する。 また、マッチした大きさのLSTMと古典的なG-FWPベースラインの両方を上回り、利得は高速なフレームワークのみによるものではないことを示している。 収束性およびチャネルワイズ分析により、量子インスパイアされた変種は、一致した大きさのリカレントベースラインよりも学習曲線(AULC)下での検証損失面積が低く、G-QKANFWPとGQKAN-FWPはODチャネルの勝利をかなり多く得ることが示された。 これらの結果は、量子に着想を得た高速プログラマを持つ古典的なスロープログラマを、リソースを意識したネットワークトラフィック行列予測のための有望な精度効率設計として特定する。

関連論文リスト

• Complementary Matrix-Gated QKAN Fast-Weight Programmers for Quantum Dynamics Forecasting [38.586966822977686]
  量子インスパイアされたコルモゴロフ・アルノルドネットワーク(QKAN)に基づくゲーテッド高速プログラマ(FWP) 低ランク度変調を用いた自己変調QKANベースのFWPを提案する。
  論文  参考訳（メタデータ） (2026-07-30T09:52:22Z)
• Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning [38.502127166117674]
  量子インスパイアされたKolmogorov-Arnold Network(QKAN)とFWPを統合した高速軽量フレームワークQKAN-FWPを提案する。 私たちは、DARUAN(DatA Re-Uploading ActivatioN)として知られる、学習可能な非線形アクティベーションとしてシングルキュービットデータ再ロード回路を使用している。 時系列ベンチマーク,MiniGrid強化学習,および実世界の太陽周期予測を主要な実践的結果として取り上げ,その枠組みを評価する。
  論文  参考訳（メタデータ） (2026-05-07T13:04:09Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• 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)
• Nemotron-Flash: Towards Latency-Optimal Hybrid Small Language Models [97.55009021098554]
  本研究の目的は、SLMのリアルタイムレイテンシの主要な決定要因を特定し、SLMの設計とトレーニングのための一般化可能な原則と方法論を提供することである。 我々はNemotron-Flashと呼ばれるハイブリッドSLMの新たなファミリーを導入し、最先端SLMの精度・効率のフロンティアを大幅に向上させる。
  論文  参考訳（メタデータ） (2025-11-24T08:46:36Z)
• Learning from Scratch: Structurally-masked Transformer for Next Generation Lib-free Simulation [5.564681128355971]
  本稿では,多段階データパスのパワーとタイミング予測のためのニューラルネットワークフレームワークを提案する。 私たちの知る限りでは、これは標準セル用に明示的に設計された言語ベースのネットリスト対応ニューラルネットワークとしては初めてのものです。
  論文  参考訳（メタデータ） (2025-07-23T10:46:25Z)
• FINN-GL: Generalized Mixed-Precision Extensions for FPGA-Accelerated LSTMs [10.064394911426422]
  リカレントニューラルネットワーク(RNN)は、感情分析や短期株価予測といった時系列タスクに有効である。 その計算複雑性は、リソース制約のある環境でのリアルタイムデプロイメントに課題をもたらす。 FPGAはエネルギー効率の高いAIアクセラレーションのための有望なプラットフォームを提供する。
  論文  参考訳（メタデータ） (2025-06-25T20:07:46Z)
• A Multi-Layer CNN-GRUSKIP model based on transformer for spatial TEMPORAL traffic flow prediction [0.06597195879147556]
  交通流予測は、インテリジェント交通システムITSの基盤のままである。 CNN-GRUSKIPモデルは先駆的なアプローチとして現れる。 このモデルは、ARIMA、Graph Wave Net、HA、LSTM、STGCN、APTといった確立したモデルよりも一貫して優れていた。 強力な予測能力と適応アーキテクチャにより、CNN-GRUSKIPモデルはITSアプリケーションを再定義する。
  論文  参考訳（メタデータ） (2025-01-09T21:30:02Z)
• Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
  量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。 関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。 量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-21T21:40:47Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Toward fast and accurate human pose estimation via soft-gated skip connections [97.06882200076096]
  本稿では,高精度かつ高効率な人間のポーズ推定について述べる。 我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。 本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-25T18:51:51Z)

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。