論文の概要: ALPHABET: A Laplace-Pole History Aggregator with Banked Exponential Transport

• arxiv url: http://arxiv.org/abs/2608.24051v1
• Date: Tue, 25 Aug 2026 04:20:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.811453
• Title: ALPHABET: A Laplace-Pole History Aggregator with Banked Exponential Transport
• Title（参考訳）: ALPHABET:バンクド指数輸送によるラプラスポール歴史集積装置
• Abstract要約: 本稿では、時間履歴を安定な複素極モードに圧縮するコンパクト線形時間モデルALPHABETを紹介する。 固定82タスクレジストリ全体で、ALPHABETは10家族比較の平均ランク3.97に達した。 共通幅のD=64アンカーでは、6,437のパラメータは平均で5.02倍の推論と3.93倍の完全なトレーニングステップを提供する。
• 参考スコア（独自算出の注目度）: 5.451464789025205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can a sequence model remain competitive with only a few thousand parameters and an explicitly auditable prediction interface? We introduce ALPHABET, a compact linear-time model that compresses temporal history into stable complex pole modes: a direct bank synthesizes its modal states back into the feature trajectory, an independent cascaded bank analyzes the transformed trajectory without resynthesis, and an affine head reads only modal energies and lag moments from both banks. We characterize the temporal information this descriptor retains: for a stationary, fully observed feature process, each mode energy is a frequency-localized measurement of the second-order spectrum, the continuum of such measurements identifies the spectrum, and almost every mode separates any fixed finite set of spectrally distinct classes. On a Gaussian control with matched low-lag statistics, the learned descriptor approaches the Bayes oracle where raw autocovariances remain at chance. Across the fixed 82-task registry, ALPHABET attains mean rank 3.97 in the complete ten-family comparison. At the common-width D=64 runtime anchor, its 6,437 parameters deliver 5.02 times faster inference and 3.93 times faster complete training steps than the nine baselines on average.
• Abstract（参考訳）: シーケンスモデルは、数千のパラメータと明示的に監査可能な予測インターフェースと競合し続けることができるのか? 本稿では,時間的履歴を安定な複素極モードに圧縮するコンパクトな線形時間モデルALPHABETを紹介する。直接銀行は,そのモーダル状態を特徴軌道に再合成し,独立キャスケード銀行は再合成せずに変換された軌跡を解析し,アフィンヘッドは両銀行からのモーダルエネルギーとラグモーメントのみを読み取る。 定常的、完全に観察された特徴過程において、各モードエネルギーは2階スペクトルの周波数局所化測定であり、そのような測定の連続体はスペクトルを識別し、ほぼ全てのモードはスペクトルの固定有限集合を分離する。 一致した低ラグ統計を持つガウスの制御において、学習記述子は生の自己共変が偶然に残るベイズオラクルに接近する。 固定82タスクレジストリ全体で、ALPHABETは10家族比較の平均ランク3.97に達した。 共通幅のD=64ランタイムアンカーでは、6,437のパラメータは平均で5.02倍の推論と3.93倍の完全なトレーニングステップを提供する。

関連論文リスト

• From Concentration to Differentiation and Back: Routing Effective Rank in MoE Reasoning Cohorts [61.695980784491475]
  テストタイムスケーリングは、推論ロールアウトのコホートを生成するが、推論が展開するにつれて内部計算がどのように再編成されるかについて、標準的なラベルのない説明はない。 本稿では,MoEの専門家による類似性から構築したクロスロールアウトグラフのエントロピー有効次元性であるルーティング有効ランクデフを導入する。
  論文  参考訳（メタデータ） (2026-09-06T05:43:22Z)
• Propensity Straight-Through Gradients for Discrete Stochastic Systems [0.0]
  我々は、アフィン状態の更新を利用して、正確に1段階の条件平均感度を得る。 イベント間で構成される1段階の感度は、正確に多段階の感度から逸脱する可能性があることを示す。
  論文  参考訳（メタデータ） (2026-08-26T10:59:25Z)
• Beat the Counter First: A Baseline for Temporal-Graph Anomaly Detectors [0.0]
  SimpleCountは、カウント、リプライ、ファーストオクローレンスインジケータ、カウントから派生した変換の固定プールから、データセット毎に1つのスカラー機能を選択するリファレンスである。 我々はSimpleCountと2つの時間グラフ検出器モデル、および5つの公開データセットと1つの合成データセットの完全な特徴ベクトルに適合するIsoForestコントロールを比較した。 SLADEはSimpleCountよりも23～133倍のウォールクロック時間を必要とするが、評価された検出器モデルはいずれもほぼランダムである。
  論文  参考訳（メタデータ） (2026-08-16T23:39:42Z)
• 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)
• Metric-Aware Hybrid Forecasting for the CTF4Science Lorenz Challenge [0.6655749439594806]
  CTF4Science Lorenz Challengeに対する我々のアプローチは、短期水平予測、長期分布マッチング、および9つのタスクペア間の軌道再構成を混合したベンチマークである。 メカニカル・アウェア・ハイブリッドシステムを構築し,各メカニカル・ファミリーに異なる予測器を割り当てた。 このシステムファミリーの代表的な成熟した応募者は、公衆のリーダーボードで83.83551点を獲得し、同じアイデアの小さなフォローアップスタックは83.85529点に達した。
  論文  参考訳（メタデータ） (2026-06-02T20:20:40Z)
• UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
  バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
  論文  参考訳（メタデータ） (2026-05-18T10:28:15Z)
• SurF: A Generative Model for Multivariate Irregular Time Series Forecasting [9.605729240308543]
  本稿では,イベントシーケンスと単位レート指数雑音を学習する生成モデルであるSurFを提案する。 実世界の6つのベンチマークで、SurFは地震、リツイート、タオバオに関する最高のRMSEを達成している。 厳格なLeft-outプロトコルの下では、SurFは5/6データセット上の古典的およびニューラル自動回帰ベースラインをすべて破る。
  論文  参考訳（メタデータ） (2026-05-13T19:46:48Z)
• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• CAWN: Continuous Acoustic Wave Networks for Autoregressive Language Modeling [46.16066322190728]
  完全連続配列混合アーキテクチャであるCAWN(Continuous Acoustic Wave Network)を導入する。 CAWNは離散行列ベースの注意を代わりに、多面体複素ドメインファサーに隠された状態を計画している。 超長コンテキスト上での信号劣化を防止するため,デュアルゲート選択位相共振機構を導入する。
  論文  参考訳（メタデータ） (2026-04-05T20:13:22Z)
• KoopmanFlow: Spectrally Decoupled Generative Control Policy via Koopman Structural Bias [31.486395926173838]
  Generative Control Policies(GCP)は、ロボット操作において大きな可能性を秘めているが、安定なグローバルモーションと高周波局所補正を同時にモデル化するのに苦労している。 クープマンに着想を得た構造的帰納バイアスによって導かれるパラメータ効率の良い生成ポリシーであるクープマンフローを紹介する。
  論文  参考訳（メタデータ） (2026-03-14T06:23:07Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• Imputing Missing Observations with Time Sliced Synthetic Minority Oversampling Technique [0.3973560285628012]
  本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。 我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。 これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
  論文  参考訳（メタデータ） (2022-01-14T19:23:24Z)

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。