論文の概要: A Controlled Visual-Backbone Benchmark for Multimodal Short-Term Solar Irradiance Forecasting

• arxiv url: http://arxiv.org/abs/2607.23633v1
• Date: Sun, 26 Jul 2026 12:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.175395
• Title: A Controlled Visual-Backbone Benchmark for Multimodal Short-Term Solar Irradiance Forecasting
• Title（参考訳）: 短期太陽照度予測のための制御されたビジュアルバックボーンベンチマーク
• Abstract要約: 我々は,Folsom上の10min-ahead予測と厳密に一致したNREL分割に対して,ConvNeXt,Swin Transformer,VMamba,Spatial Mamba,MambaVisionのバックボーンを比較した。 予測スキルは、明暗指数のスマート永続性に対して測定され、時間のみの行は気象履歴診断として報告される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sky-image irradiance studies often compare forecasting systems in which the image encoder, temporal model, fusion block, target definition, and training recipe all change together. We use a narrower protocol: the multimodal forecasting pipeline is fixed, and only the visual backbone is varied. The shared setup keeps preprocessing, clear-sky-index normalization, weather-history encoding, fusion, regression head, loss, optimizer schedule, seed, and chronological split policy unchanged. We compare ConvNeXt, Swin Transformer, VMamba, Spatial Mamba, and MambaVision backbones for 10min-ahead forecasting on Folsom and a strict matched NREL split. Forecast skill is measured against clear-sky-index smart persistence, and temporal-only rows are reported as weather-history diagnostics rather than as the main ranking criterion. On the Folsom strict split, all evaluated visual-backbone runs improve over smart persistence. In the evaluated single-seed strict runs, VMamba Small and Swin Base reach matched Folsom RMSE values of 65.39 W/m^2 and 65.50 W/m^2; the temporal-only diagnostic reaches 69.51 W/m^2. On the 313-sample NREL strict split, smart persistence remains strongest at 17.48 W/m^2, while the lowest visual RMSE is obtained by Swin Tiny at 23.76 W/m^2. These results provide a reproducible encoder comparison under one fixed multimodal operating point rather than establishing architecture-level dominance, statistically resolved ranking, or fully optimized forecasting performance. Code available here: https://github.com/Oshadha345/irradiance_benchmark
• Abstract（参考訳）: スカイイメージ照射研究は、画像エンコーダ、時間モデル、融合ブロック、ターゲット定義、トレーニングレシピが一緒に変化する予測システムと比較することが多い。 より狭いプロトコルを使用し、マルチモーダル予測パイプラインは固定され、視覚バックボーンのみが変化する。 共有設定は、前処理、クリアスキーインデックスの正規化、気象履歴エンコーディング、融合、回帰ヘッド、損失、オプティマイザスケジュール、シード、時系列分割ポリシーを変更せずに維持する。 我々は,Folsom上の10min-ahead予測と厳密に一致したNREL分割に対して,ConvNeXt,Swin Transformer,VMamba,Spatial Mamba,MambaVisionのバックボーンを比較した。 予測スキルは、明暗指数のスマート永続性に対して測定され、時間のみの行は、主要なランキング基準としてではなく、気象履歴診断として報告される。 Folsomの厳格な分割では、評価されたビジュアルバックボーンはすべて、スマート永続性よりも改善されている。 VMamba SmallとSwin Baseは、評価されたシングルシードの厳格な実行において、Folsom RMSE値の65.39 W/m^2と65.50 W/m^2に一致し、時間限定診断は69.51 W/m^2に達した。 313サンプルのNRELの厳密な分割では、17.48W/m^2で、最も低い視力RMSEは23.76W/m^2でSwin Tinyによって得られる。 これらの結果は、アーキテクチャレベルの優位性を確立すること、統計的に最適化されたランキングを確立すること、あるいは完全に最適化された予測性能を確立することよりも、1つの固定マルチモーダル動作点下で再現可能なエンコーダ比較を提供する。 https://github.com/Oshadha345/irradiance_benchmark

関連論文リスト

• Aionoscope: Debugging Latent-State Accessibility in Time-Series Representations [59.34593956287438]
  Aionoscope(アイオノスコープ)は、凍結した時系列表現における潜在状態のアクセシビリティを検査するための診断ツールである。 アイオノスコープはプロセス生成を観察レンダリングから切り離し、正確な分類と密度のラベルを持つシード合成ストリームを生成する。
  論文  参考訳（メタデータ） (2026-07-01T13:54:20Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• Scaling Test-Time Compute for Agentic Coding [126.72747643609274]
  本稿では,ロールアウト軌跡のコンパクトな表現に基づくエージェントコーディングのためのテスト時間スケーリングフレームワークを提案する。 当社のフレームワークは,各ロールアウトを,その健全な仮説,進捗,障害モードを保存する構造的な要約に変換する。 提案手法は,SWE-Bench Verified および Terminal-Bench v2.0 におけるフロンティア符号化エージェントの性能を一貫して改善する。
  論文  参考訳（メタデータ） (2026-04-16T17:39:33Z)
• 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)
• xLSTMAD: A Powerful xLSTM-based Method for Anomaly Detection [0.794682109939797]
  フルエンコーダ・デコーダxLSTMアーキテクチャを統合した最初の異常検出手法であるxLSTMADを提案する。 実世界の17のデータセットにまたがる包括的TSB-AD-Mベンチマークを用いて,本手法の評価を行った。 以上の結果から、xLSTMは最先端の精度を示し、23の異常検出基準を上回りました。
  論文  参考訳（メタデータ） (2025-06-28T10:39:09Z)
• Empirical Comparison of Lightweight Forecasting Models for Seasonal and Non-Seasonal Time Series [1.9799527196428246]
  本研究では,ポリノミアルと放射基底ネットワーク(RBFNN)の実証比較を行った。 モデル性能は,平均絶対誤差,ルート平均正方形誤差,ルート平均正方形誤差の係数関数を用いて予測精度と計算時間を用いて評価する。 その結果, RBFNNは季節パターンの精度が向上するのに対し, 非季節系列ではPCの方が精度が高く, 予測速度も速いことが示唆された。
  論文  参考訳（メタデータ） (2025-05-02T10:12:23Z)
• Prune Spatio-temporal Tokens by Semantic-aware Temporal Accumulation [89.88214896713846]
  STAスコアは、時間的冗長性と意味的重要性の2つの重要な要因を考慮に入れている。 市販のビデオトランスフォーマーとビデオウィンにSTAモジュールを適用する。 結果: Kinetics-400 と something-Something V2 は 30% のオーバーシェルフ削減を実現し,0.2% の精度低下を実現した。
  論文  参考訳（メタデータ） (2023-08-08T19:38:15Z)
• Boosting Continuous Sign Language Recognition via Cross Modality Augmentation [135.30357113518127]
  連続手話認識は不整合のビデオテキストペアを扱う。 クロスモーダル拡張を用いた新しいアーキテクチャを提案する。 提案するフレームワークは、既存のCTCベースの連続SLRアーキテクチャに容易に拡張できる。
  論文  参考訳（メタデータ） (2020-10-11T15:07:50Z)

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。