論文の概要: Streaming Hierarchical Inference with Tabular Foundation Models

• arxiv url: http://arxiv.org/abs/2609.07956v1
• Date: Mon, 07 Sep 2026 20:26:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.510676
• Title: Streaming Hierarchical Inference with Tabular Foundation Models
• Title（参考訳）: タブラル基礎モデルによる階層推論のストリーミング
• Abstract要約: textitHINTは、エッジベースの検索とクラウドベースのFM推論を組み合わせた階層型推論フレームワークである。 スライディングウィンドウ上に保持されるグラフベースの近似近接メモリは、局所的な予測と不確実性推定を提供する。 textitHINTは、好ましいトレードオフを一貫して識別する。
• 参考スコア（独自算出の注目度）: 1.43494686131174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tabular Foundation Models (TFMs) have recently demonstrated strong predictive performance through in-context learning, but their deployment in high-throughput data streams remains challenging due to communication overhead and latency. We propose \textit{HINT}, a hierarchical inference framework that combines edge-based retrieval with cloud-based TFM inference. A graph-based approximate nearest neighbor memory maintained over a sliding window provides local predictions and uncertainty estimates, allowing confident samples to be processed locally while uncertain instances are selectively offloaded, together with their retrieved context, to a cloud-hosted TFM. The framework exposes an offloading threshold and a neighborhood retrieval policy that can be varied to balance predictive performance and communication cost. Experiments show \textit{HINT} consistently identifies favorable trade-offs.
• Abstract（参考訳）: Tabular Foundation Models (TFMs)は、最近、コンテキスト内学習を通じて強力な予測性能を示したが、通信オーバーヘッドと遅延のため、ハイスループットなデータストリームへの展開は依然として困難である。 本稿では,エッジベースの検索とクラウドベースのFM推論を組み合わせた階層型推論フレームワークであるtextit{HINT}を提案する。 スライディングウインドウ上に保持されるグラフベースの近似近接メモリは、局所的な予測と不確実性推定を提供し、不確実なインスタンスが選択的にオフロードされる間に、確実なサンプルをローカルに処理し、クラウドホストされたFMに格納する。 このフレームワークは、予測性能と通信コストのバランスをとるために、オフロードしきい値と近所の検索ポリシーを公開する。 実験では、\textit{HINT} が常に好ましいトレードオフを識別している。

関連論文リスト

• Estimating Semantic Ambiguity via Gaussian Context Distributions for VLM-Driven Traversability Analysis [14.31446990918297]
  本稿では、文脈の不確実性を明示的にモデル化した、視覚に基づくトラバーサビリティ推定のための新しいパイプラインを提案する。 提案手法では,概念アンチョリングを用いて,開語彙VLM予測を連続的物理的トラバーサビリティ尺度上に構築する。 分布の統計的性質に基づいて,高密度トラバーサビリティマップと高密度不確実性マップの両方を導出する。
  論文  参考訳（メタデータ） (2026-09-08T11:18:32Z)
• From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents [75.69180947909148]
  大規模言語モデル(LLM)エージェントのためのトラジェクトリレベルのUQフレームワークを提案する。 RuPAは、推論状態、ツールインタラクション、環境フィードバックが時間的およびセマンティックな依存関係エッジで接続されたノードである、指向的なトラジェクトリグラフとして実行履歴を表現している。 我々は,複数のモデルファミリにまたがる6つのオープンソースLCMを用いて,代用エージェントベンチマーク($2, Terminal-Bench-2, GAIA)でRUPAを評価した。
  論文  参考訳（メタデータ） (2026-08-17T01:40:14Z)
• CastFSR: A Fast--Slow--Reflect Agentic Reasoning Framework for Context-Aware Time Series Forecasting [55.05716348844572]
  CastFSRは、コンテキスト認識予測をFast-Slow-Reflect--ワークフローとして定式化するエージェントフレームワークである。 コンテキスト証拠を検索し、情報的なルックバックウィンドウを適応的に決定し、コンテキストが将来のダイナミクスをどう形作るのかを判断する。 予測を反復的に洗練し、時間的、コンテキスト的、ドメイン整合性を保証する。
  論文  参考訳（メタデータ） (2026-08-04T02:21:36Z)
• Behaviour-Conditioned Neural Processes for Adaptive Residential Short-Term Load Forecasting [1.1240669509034296]
  本研究では、ニューラルネットワークに基づく確率論的モデルに、推論された行動構造を組み込むことができるかどうかを検討する。 本稿では,各負荷プロファイルを予測タスクとして扱う動作条件付注意ニューラルネットワークフレームワークを提案する。 Smart Gridの実験では、Smart Cityデータセットでは、ユーザ不一致のトレイン/バリデーション/テストスプリット、変数コンテキスト長、マルチステップ予測地平線が使用されている。
  論文  参考訳（メタデータ） (2026-07-17T17:48:22Z)
• Fed-CausalDiff: Decoupled Synchronization for Federated Do-Simulation and Policy Evaluation [3.969626207862676]
  Fed-CausalDiffは、do-simulationのための連合因果拡散フレームワークである。 このアーキテクチャは潜在状態の進化を大域因果点関数と局所共起点関数に分解する。 4つのデータセットの実験により、Fed-CausalDiffはより優れたATEとポリシー値の推定精度を達成することが示された。
  論文  参考訳（メタデータ） (2026-06-21T14:04:33Z)
• FrED: External Data Influence Estimation via Domain Knowledge Graph Grounding [3.686386213696443]
  ブラックボックス設定で完全に動作する新しい確率的フレームワークを提案する。 本手法は,個々のドメイン固有の知識グラフと連続的特徴類似性を融合する。 我々は,抽象芸術的画像合成と高次元物理天気予報という,2つの異なる領域にまたがる枠組みを評価する。
  論文  参考訳（メタデータ） (2026-05-26T15:14:34Z)
• Overcoming the Modality Gap in Context-Aided Forecasting [54.976964834365056]
  本稿では,時間的力学の記述と数値履歴に相補的な文脈を生成する半合成データ拡張手法を提案する。 このアプローチによって大規模なデータセット生成が可能になり、700万のコンテキスト拡張時系列ウィンドウのコーパスであるCAF-7Mが実現される。
  論文  参考訳（メタデータ） (2026-03-12T21:05:33Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• STRATA-TS: Selective Knowledge Transfer for Urban Time Series Forecasting with Retrieval-Guided Reasoning [27.775793400546345]
  STRATA-TSは、ドメイン適応検索と推論可能な大規模モデルを組み合わせることで、不足するデータレシエーションの予測を改善するフレームワークである。 効率的な配置を実現するため, 教師付き微調整により, 推論過程をコンパクトなオープンモデルに蒸留する。 シンガポール、ノッティンガム、グラスゴーの3つのパーキングアベイラビリティーデータセットの実験では、STRATA-TSは強い予測と転送ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-26T03:18:53Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)

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。