論文の概要: Cadence: Error-Bounded Lossy Compression of Demand Time Series with a Time-Series Foundation Model

• arxiv url: http://arxiv.org/abs/2609.06008v1
• Date: Sat, 05 Sep 2026 10:25:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.179762
• Title: Cadence: Error-Bounded Lossy Compression of Demand Time Series with a Time-Series Foundation Model
• Title（参考訳）: Cadence: 時系列基礎モデルによる需要時系列の誤り境界による損失圧縮
• Abstract要約: Cadenceは、数値時系列のエラーバウンド損失圧縮機である。 330Mシリーズの基礎モデルと適応型算術コーダを組み合わせている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Cadence, an error-bounded lossy compressor for numeric time series pairing a 330M-parameter time-series foundation model (Google TimesFM-3) with an adaptive arithmetic coder, guaranteeing $|\hat{x}_t-x_t|\leτ$ on every sample. One negative result constrains the design space: for lossless coding a foundation model is worth nothing, because bits saved are logarithmic in predictor accuracy, $Δb=\log_2(\mathrm{MAE_{old}}/\mathrm{MAE_{new}})$. So the $1.51\times$ advantage TimesFM-3 holds over a 32-tap linear predictor buys 0.60 bits of 20.28, a median gain of +0.03%. Error-bounded coding escapes this at one point: once a forecast lands inside the band the residual index is zero and the sample nearly free. Cadence contributes: (1) an adaptive range coder with context-modelled binarization, beating xz/zstd on real indices by 9.7% (15/15) and reversing a finding from a general-purpose back end; (2) a determinism result -- predictions are not bit-identical across batch sizes, and no PyTorch configuration repairs this, forcing group size and execution device into the container format; and (3) domain localization on corpora postdating any plausible training cutoff. On 49 EIA-930 balancing-authority demand series (2026) Cadence gains 13.3% over the best of six classical predictors, and 28.3% on 50 MTA ridership series (2026): 21.4% median over 297 series-tolerance pairs, winning all 297. Against downsampling, what time-series databases deploy for retention, its guaranteed worst-case error is $28$--$56\times$ tighter at equal size. End-to-end, once the context bootstrap is paid for, gains run from 6.8% at six months of hourly data to 15.1% asymptotically. Attempting to falsify the domain claim on SDRBench, theory predicts failure and delivers: -0.8% median, 0 of 27 pairs gaining. Three further negative results and eight retracted claims are reported in full.
• Abstract（参考訳）: 本稿では,330Mパラメータの時系列基礎モデル(Google TimesFM-3)と適応型算術コーダを組み合わせ,各サンプルに対して|\hat{x}_t-x_t|\leτ$を保証している。 1つの負の結果が設計空間を制約している: 基礎モデルのロスレスコーディングは、ビットを保存すると予測精度が対数になるから、$Δb=\log_2(\mathrm{MAE_{old}}/\mathrm{MAE_{new}})$である。 したがって、TimeFM-3の1.51\times$の利益は、32tapの線形予測器が0.60ビットの20.28を購入している。 予測がバンド内に着くと、残留指数はゼロとなり、サンプルはほぼ自由になる。 Cadence は,(1) コンテキストモデルによるバイナライゼーションを備えた適応レンジコーダ,9.7% (15/15) で xz/zstd を上回り,汎用バックエンドからの発見を逆転させる,(2) 決定論的結果 -- バッチサイズで予測がビット識別されない,PyTorch の構成では,これを修正する,グループサイズと実行デバイスをコンテナフォーマットに強制する,(3) プラプティブルなトレーニングカットオフをポストするコーパス上のドメインローカライゼーション。 EIA-930のバランス・オーソリティ・デマンド・シリーズ(2026年)では、ケイデンスは6人の古典的予測者の中で13.3%、50人のMTAライダーシップ・シリーズ(2026年)では28.3%、シリーズ・トレランス・ペアでは21.4%、全297で勝利した。 ダウンサンプリングに対して、保持のためにデプロイされる時系列データベースは、保証された最悪のケースエラーは、28$--56\times$ tighter at equal sizeである。 エンド・ツー・エンドはコンテキストブートストラップが支払われると、6ヶ月の時間データの6.8%から漸近的に15.1%に上昇する。 SDRBenchのドメインクレームを偽造しようと試みると、理論は失敗を予測し、提供する:-0.8%、27ペア中0。 さらに3つの否定的な結果と8つの撤回された主張が完全に報告されている。

関連論文リスト

• Where Decoder Cosine Similarity Fails for SAE Feature Flow Discovery [0.20415910628419062]
  状態機能と更新機能がどのように相互作用し、下流の残留機能を生成するかを検討する。 その結果,特徴フローのアトラスが表現更新機構の診断に有効であることが示唆された。
  論文  参考訳（メタデータ） (2026-09-11T08:44:13Z)
• Robustness-Aware Evaluation and Enhancement of Mutation-Based Fuzzing for Bug Discovery [29.62963078889574]
  突然変異ベースのファジィは、ソフトウェアの脆弱性を発見するために広く使われている。 計算処理後のバグトリガー率の変動を計測する。 次に、バグトリガの後にファザのキュー状態をコピーするブラックボックスラッパーであるsplittingを紹介します。
  論文  参考訳（メタデータ） (2026-09-06T18:28:47Z)
• Long Horizon Transformer Quantile Fault Prediction for Multi Site Industrial Predictive Maintenance [0.0]
  ロングホライズン予測メンテナンスは、時間ではなく数日で測定される計画ウィンドウに対して、通常の運用/登録の変動からゆっくりと変化する劣化を区別するモデルを必要とする。 本稿では,明示的な条件量子表現が,この問題に対して情報型分類器インタフェースを提供するか否かを評価する。 提案するTQRNN30dフレームワークは,2段量子回帰ニューラルネットワーク(QRNN)特徴抽出器とマルチストリーム時間融合分類器を組み合わせたものである。
  論文  参考訳（メタデータ） (2026-09-04T07:57:33Z)
• Diffusion models for eye-gaze trajectory generation using position and velocity representations [39.577682622066256]
  アイトラッキングデータは収集に費用がかかり、特別なハードウェアと制御された実験室条件が必要であり、プライバシー上の制約のために共有が困難である。 本研究では2つの相補的拡散確率モデル(DDPM)を用いて、視覚探索データから視線力学を無条件に生成する。
  論文  参考訳（メタデータ） (2026-09-01T07:53:11Z)
• Rollout-Decoded Reconstruction for Long-Horizon Prediction in Latent World Models [0.9740025522928777]
  潜在世界モデルは、観測に固定された潜水器でデコーダを訓練し、最後の観測から何百歩も経過したモデル自身のフリーランニングロールアウトに展開する。 ロールアウト・デコード・レコンストラクション(RDR)はこのギャップを、トレーニング中のモデルを正確に評価するようにフリーランする単一損失項で埋める。
  論文  参考訳（メタデータ） (2026-08-25T18:05:24Z)
• Caliber: Cross-Architecture Extraction-Cost Control for Score-Returning APIs [27.21644231867863]
  Caliberは、キャリブレーション問題としてノイズ選択を定式化するモデル抽出に対する防御である。 知識蒸留に返却されたスコアを使用する攻撃者に対して、Caliberは独立して同一に分散したガウスノイズを内部ロジットに追加する。 Caliberは、正方形中央2対数辺による雑音分散を正規化し、その結果の雑音効用関係をロジスティック曲線に適合させる。
  論文  参考訳（メタデータ） (2026-08-02T05:58:00Z)
• Operator-on-F complements value-equivalence: a planning-time diagnostic for latent world models [0.0]
  本稿では, モデルk段階の潜在プッシュフォワードと観測可能なサブセットF上の環境との相補的診断, 演算子-on-Fを提案する。 TD-MPC2サイズがチーターランを超えると、報酬予測エラーはモデルサイズ毎に[0.028, 0.091]以内に留まる。
  論文  参考訳（メタデータ） (2026-07-05T19:09:07Z)
• ESPO: Early-Stopping Proximal Policy Optimization [78.79610718910628]
  ESPO(Early-Stopping Proximal Policy Optimization)は、軌道上の障害を検出し、ロールアウトを早期に終了する。 DeepSeek-R1-Distill-Qwen-7Bでは、ESPOはAIME2024(46.28%対45.25%)、AMC2023(85.83%対82.94%)、MATH-500(87.42%対85.43%)でPPOを上回っている。
  論文  参考訳（メタデータ） (2026-05-28T12:40:22Z)
• Beyond Inference-Only Deployment: Comparing Weight-Based Consolidation Against Cascading Compaction [1.6214121783846343]
  本研究は,1つのコンシューマ上でのLow-Rank Adaptation (LoRA)ファインチューニングにより,インタラクション知識をモデルウェイトに夜間に集約することを評価する。 10つの現実的なソフトウェア開発の会話の中で、カスケードのコンパクト化は36.8 +/-3.0%の知識を保持する。 LoRAは、相互作用知識を合成、合成、Low-Rank Adaptation (LoRA)ファインチューニングを通じてモデルウェイトに集約する。
  論文  参考訳（メタデータ） (2026-05-23T16:57:25Z)
• Sparse Regression under Correlation and Weak Signals: A Reproducible Benchmark of Classical and Bayesian Methods [1.6679662639178268]
  合成データに対する6つのスパース回帰法をベンチマークした。 ベイズ法は予測誤差(MSE 72 vs. 108-267)で勝利し、ホースシューは95%近くをカバーしている(94.8%)。 可変選択の場合、F1 0.47のラッソとスパイク・アンド・スラブのネクタイは、後部が不要な場合に事実上のデフォルトとなる。
  論文  参考訳（メタデータ） (2026-04-04T15:46:44Z)
• TIFO: Time-Invariant Frequency Operator for Stationarity-Aware Representation Learning in Time Series [30.009887153375345]
  非定常時系列予測は、トレーニングデータとテストデータを生成する分布が異なるため、分布シフトの問題に悩まされる。 既存の方法は、例えば個々のサンプルから低次モーメントを除去することで依存を緩和しようとする。 本稿では、周波数スペクトル上で定常性を考慮した重み付けを学習するTIFO(Time-Invariant Frequency Operator)を提案する。
  論文  参考訳（メタデータ） (2026-02-19T06:46:54Z)
• Forking-Sequences [33.62694927994466]
  精度の高いモデルでさえ、予測作成日の間に不規則な修正を発生させることができる。 MQCNN、MQT、SPADEといったモデルは、あまり知られていないが、非常に効果的なテクニックであるフォークシーケンスを採用しています。 フォーキングシーケンスの利点として, (i) より安定かつ一貫した勾配更新, (ii) アンサンブルによる予測分散の低減, (iii) 推論効率の向上, の3つを挙げる。
  論文  参考訳（メタデータ） (2025-10-06T04:51:06Z)
• Computationally and Statistically Efficient Truncated Regression [36.3677715543994]
  計算的かつ統計的に効率的な線形回帰の古典的問題に対する推定器を提供する。 提案手法では, トランキャット標本の負の対数類似度に代わることなく, プロジェクテッド・Descent Gradient (PSGD) を用いて推定する。 本稿では,SGDが単一層ニューラルネットワークの雑音活性化関数のパラメータを学習することを示す。
  論文  参考訳（メタデータ） (2020-10-22T19:31:30Z)
• Adaptive Distributed Stochastic Gradient Descent for Minimizing Delay in the Presence of Stragglers [31.309253646602933]
  我々は、マスターが分散勾配降下(SGD)アルゴリズムを、データのサブセットを持つそれぞれ$n$ワーカー上で実行したいという設定について検討する。 分散SGDは、遅延を引き起こす遅い作業者や非応答的な作業者など、ストラグラーの影響に悩まされることがある。 本稿では,統計的概念に基づく適応分散SGDのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-25T16:25:22Z)

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。