論文の概要: When Does Context Routing Help? A Systematic Study of Multi-Modal Fusion in Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2608.25128v1
• Date: Tue, 25 Aug 2026 20:25:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.433414
• Title: When Does Context Routing Help? A Systematic Study of Multi-Modal Fusion in Time Series Forecasting
• Title（参考訳）: コンテキストルーティングはいつ役に立つか? 時系列予測におけるマルチモーダル融合の体系的研究
• Abstract要約: マルチモーダル時系列予測法は, 高度な融合機構により, 補助的文脈を時間的予測に統合する。 我々は、より狭く、チェック可能な質問を尋ねる: 補助的なコンテキストは、いつ、予測者を助けることができるのか? 1) ターゲットは最終値のショートカット(低自己相関rho_h)に支配されず、(2) コンテキストは履歴を超えてターゲットに関する情報を伝達する。
• 参考スコア（独自算出の注目度）: 10.826557947047933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-modal time series forecasting methods integrate auxiliary context into temporal predictions through increasingly sophisticated fusion mechanisms. A growing body of work reports substantial gains, yet it is often unclear whether they reflect genuine use of the context or incidental architectural effects. We ask a narrower, checkable question: when can auxiliary context help a forecaster at all? We identify two dataset-level conditions that must both hold: (1) the target is not dominated by a last-value shortcut (low autocorrelation rho_h), and (2) the context carries information about the target beyond history (non-zero conditional mutual information delta; when delta=0 no predictor can benefit---a distribution-free result). Through controlled experiments on MoME (a 14.3B-parameter mixture-of-experts model, 6 datasets, 10 seeds) and four additional fusion mechanisms implemented within a single-backbone testbed (5 datasets), we find that when both conditions hold, text-conditioned expert modulation contributes a sizeable MSE reduction; when either fails, the contribution collapses to the capacity floor of the modulation pathway and carries no context-attributable signal. We establish causality through two interventions: adding a shortcut to MoME suppresses routing contribution by 77-93% across 3 datasets; progressively corrupting context quality drives the context-specific benefit from +44% to negative. We validate the autocorrelation component of our diagnostic on 27 Monash Archive datasets. We provide a calibrated pre-training diagnostic that, on the datasets we test, yields no false positives in well-powered settings. We are explicit about the asymmetry of our evidence: the negative arm is broadly reliable, while the large positive magnitudes come from a single model family (MoME) and are corroborated only in direction by the testbed.
• Abstract（参考訳）: マルチモーダル時系列予測法は, 高度な融合機構により, 補助的文脈を時間的予測に統合する。 成長する作業機関は、かなりの利益を報告しているが、それがコンテキストの真の使用や、偶発的なアーキテクチャ効果を反映しているかどうかはしばしば不明である。 我々は、より狭く、チェック可能な質問を尋ねる: 補助的なコンテキストは、いつ、予測者を助けることができるのか? 1) ターゲットは最終値のショートカット(低自己相関rho_h)に支配されず、(2) コンテキストは履歴を超えたターゲットに関する情報を運ぶ(非ゼロ条件の相互情報デルタ; デルタ=0 の予測者が利益を得ることができない場合-- 分布のない結果)。 MoME (14.3B-parameter mixed-of-experts model, 6 データセット, 10 シード) の制御実験と, 単一バックボーンテストベッド (5 データセット) 内に実装された4 つの融合機構により, 両条件が保持された場合, テキスト条件付きエキスパート変調は, MSE の縮小に寄与することがわかった。 MoMEにショートカットを追加することで、3つのデータセット間で77～93%のルーティングコントリビューションが抑制される。 私たちは27のMonash Archiveデータセットで診断の自己相関成分を検証する。 校正された事前トレーニング診断を提供することで、テスト対象のデータセットでは、十分に機能した設定で偽陽性は発生しません。 負の腕は広く信頼性があり、大きな正の等級は単一のモデルファミリー(MoME)から来ており、テストベッドによって方向のみに相関している。

関連論文リスト

• Anomaly Detection and Root Cause Analysis for Microservice Systems [0.0]
  マイクロサービスシステムは、クラウドアプリケーションを構築するために広く使われていますが、その複雑さにより、障害は避けられません。 この論文は、マイクロサービスの障害に対する自動異常検出と根本原因分析を前進させる。
  論文  参考訳（メタデータ） (2026-06-08T00:50:43Z)
• Tree-of-Evidence: Efficient "System 2" Search for Faithful Multimodal Grounding [1.6365003324232734]
  Inference-time search algorithm that frames interpretability as a individual optimization problem。 ToEは、粗いグループまたはデータの単位をスコアする軽量なEvidence Bottleneckを採用し、モデルの予測を再現するために必要なコンパクトなエビデンスを特定するためにビームサーチを実行する。 スパースエビデンス予算の下では、ToEは他のアプローチよりも高い決定合意と低い確率忠実度誤差を達成する。
  論文  参考訳（メタデータ） (2026-04-09T01:28:14Z)
• DecepGPT: Schema-Driven Deception Detection with Multicultural Datasets and Robust Multimodal Learning [64.33887406863899]
  マルチモーダル偽装検出は、法医学とセキュリティのための聴覚的手がかりを解析することにより、偽装行動を特定することを目的としている。 既存のベンチマークでは、中間的な推論手段を使わずにバイナリラベルのみを提供する。 構造的キューレベルの記述と推論チェーンを用いた推論データセットを構築した。 1695年のサンプルでは、非実験的偽装検出データセットとしては最大である。
  論文  参考訳（メタデータ） (2026-03-25T04:06:36Z)
• 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)
• From Harm to Help: Turning Reasoning In-Context Demos into Assets for Reasoning LMs [58.02809208460186]
  デモとしてDeepSeek-R1の高品質なトレースを使って、このパラドックスを再検討する。 デモが最適であっても、より多くの例を加えることで、常に精度が低下することがわかった。 デモを明示的で再利用可能な洞察に変換するシーケンシャルなテストタイム手順であるInsight-to-solve(I2S)を紹介します。
  論文  参考訳（メタデータ） (2025-09-27T08:59:31Z)
• Towards Agents That Know When They Don't Know: Uncertainty as a Control Signal for Structured Reasoning [19.099363114326355]
  大規模言語モデル(LLM)エージェントは、構造化されたバイオメディカルデータ環境にますますデプロイされる。 クエリ条件付きマルチテーブル要約のための不確実性認識エージェントを提案する。
  論文  参考訳（メタデータ） (2025-09-02T15:12:10Z)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)

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。