論文の概要: Distributed JEPA: A Self-Supervised Framework for Energy Forecasting

• arxiv url: http://arxiv.org/abs/2609.17029v1
• Date: Tue, 15 Sep 2026 11:36:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.477693
• Title: Distributed JEPA: A Self-Supervised Framework for Energy Forecasting
• Title（参考訳）: 分散型JEPA: エネルギー予測のためのセルフスーパービジョンフレームワーク
• Abstract要約: 異種エネルギー時系列からの自己教師型学習のためのJEPA(Joint Embedding Predictive Architecture)を提案する。 このフレームワークは、時間観測と文脈情報を共有埋め込み空間内に統合しながら、マスク付き時間セグメントの潜時表現を予測する。 JEPAは、エネルギーデータ構築用のTransformerに匹敵するパフォーマンスを達成し、3/5のコンシューマクラスタでR2$を高くし、9/10の未確認PVでベースラインを上回った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional energy forecasting solutions rely on task-specific supervision and energy asset representations, limiting transferability and the ability to capture general temporal dynamics across heterogeneous assets. We address this by proposing a distributed Joint Embedding Predictive Architecture (JEPA) for self-supervised learning from heterogeneous energy time-series. The framework predicts latent representations of masked temporal segments while integrating temporal observations and contextual information within a shared embedding space. To prevent representation collapse, training combines a latent-space predictive objective with covariance and temporal variance regularization. The evaluation was conducted on energy consumption and generation datasets under data-degradation scenarios and compared with a Transformer forecasting baseline. The learned representations remained stable (cosine similarity $\approx 0.98$; effective rank 185-235). JEPA achieved performance comparable to a Transformer on building energy data, higher $R^2$ in 3/5 consumer clusters, and outperformed the baseline on 9/10 unseen PVs ($R^2$=0.73-0.88 vs. <0.45), while showing greater robustness to missing data.
• Abstract（参考訳）: 従来のエネルギー予測ソリューションは、タスク固有の監督とエネルギー資産の表現、転送可能性の制限、異種資産全体にわたる一般的な時間的ダイナミクスを捉える能力に依存している。 我々は、異種エネルギー時系列からの自己教師型学習のための分散統合埋め込み予測アーキテクチャ(JEPA)を提案する。 このフレームワークは、時間観測と文脈情報を共有埋め込み空間内に統合しながら、マスク付き時間セグメントの潜時表現を予測する。 表現の崩壊を防ぐため、トレーニングは、潜在空間予測目的と共分散と時間的分散正規化を組み合わせた。 その結果,データ劣化シナリオ下でのエネルギー消費と生成データセットについて,Transformer予測ベースラインと比較した。 学習された表現は安定であった(コサイン類似度$\approx 0.98$; 有効ランク185-235)。 JEPAは、エネルギーデータを構築するためのTransformerに匹敵するパフォーマンスを達成し、3/5のコンシューマークラスタでR^2$を高くし、9/10の未確認PV(R^2$=0.73-0.88 vs. <0.45)でベースラインを上回った。

関連論文リスト

• Improving Coherence in Hierarchical Time Series Forecasting using Structured Temporal Fusion [0.0]
  階層的テンポラルフュージョン (HTF) は階層的埋め込みとコヒーレンスを意識した損失関数を統合し、階層のすべてのレベルにわたって一貫した予測を保証する。 我々は、M5 Walmart予測データセットと、利用可能な階層的エネルギー消費データセットの2つの公開ベンチマークデータセットに対して、HTFを評価した。
  論文  参考訳（メタデータ） (2026-06-26T19:11:40Z)
• Spatio-temporal modelling of electric vehicle charging demand [0.41998444721319217]
  スコットランド全土で収集された新しいスケールの時系列データセット(2022年2025年)を紹介する。 我々は、Integrated Nested Laplace Approximation (INLA)を介して、潜在潜在潜在ガウス場としてのEV充電需要を近似推論する。 駅レベルの予測タスクでは,機械学習ベースラインに対する競合予測精度が向上し,また,リスク認識インフラ計画に不可欠な基本的不確かさの定式化と空間的・時間的分解特性の解釈が可能となった。
  論文  参考訳（メタデータ） (2026-04-21T09:52:22Z)
• $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
  一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。 本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。 V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-03-11T14:57:41Z)
• The Living Forecast: Evolving Day-Ahead Predictions into Intraday Reality [0.688204255655161]
  本稿では,完全確率的日頭予測をトレーニングや再推論なしに日内予測に変換するベイズ更新機構を提案する。 家庭用電力消費と太陽光発電データを用いた実験により, 提案手法は, 可能性, サンプル, 定量, 点ベースで25%の精度で予測精度を向上することを示した。
  論文  参考訳（メタデータ） (2025-10-14T08:25:20Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
  我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。 我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。 分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
  論文  参考訳（メタデータ） (2025-02-10T04:42:11Z)
• Weather-Informed Probabilistic Forecasting and Scenario Generation in Power Systems [15.393565192962482]
  再生可能エネルギー源の電力グリッドへの統合は、その本質性と不確実性のために大きな課題を呈している。 本稿では,高次元環境下での日頭予測と風のシナリオ生成のための確率予測とガウスコプラを組み合わせる手法を提案する。
  論文  参考訳（メタデータ） (2024-09-11T21:44:59Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)

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。