Fugu-MT 論文翻訳(概要): WorldTS: World Modeling for Multimodal Covariate-aware Time Series Forecasting

論文の概要: WorldTS: World Modeling for Multimodal Covariate-aware Time Series Forecasting

arxiv url: http://arxiv.org/abs/2609.31162v1
Date: Fri, 25 Sep 2026 11:54:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 18:27:51.370828
Title: WorldTS: World Modeling for Multimodal Covariate-aware Time Series Forecasting
Title（参考訳）: WorldTS: World Modeling for Multimodal Covariate-aware Time Series Forecasting
Abstract要約: 時系列予測は通常、観測空間における歴史的な観測から将来の観測への直接的なマッピングを学ぶものである。近年の潜時空間予測手法は, 過去の観測の潜時空間表現から将来の観測を予測することにより, 性能の向上を実現している。マルチモーダルな共変量を直接予測に組み込む世界モデリングベースの予測フレームワーク WorldTS を提案する。
参考スコア（独自算出の注目度）: 29.02434506353528
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Time series forecasting is typically framed as learning a direct mapping from historical to future observations in the observation space. However, sequences of observations generally provide only a partial view of the dynamics of the underlying system, with future observations being shaped by latent dynamics. Recent latent-space forecasting methods thus achieve improved performance by predicting future observations from latent-space representations of historical observations rather than directly forecasting future observations in the observation space. Next, while future observations are also shaped by external factors, how to incorporate external, often multimodal, information into forecasting, so that it can shape latent-state formation and evolution directly, remains underexplored. We propose WorldTS, a world-modeling based forecasting framework that integrates multimodal covariates directly into the forecasting to further improve forecasting performance. Specifically, WorldTS employs a two-stage training strategy. First, it learns forecasting-relevant latent state dynamics conditioned on multimodal covariates, yielding encoded future states. Next, the learned state dynamics are frozen, and an observation decoder is trained to map the predicted future states back to future observations. Extensive experiments on 21 real-world datasets offer insight into WorldTS and its effectiveness.
Abstract（参考訳）: 時系列予測は通常、観測空間における歴史的な観測から将来の観測への直接的なマッピングを学ぶものである。しかしながら、観測の順序は一般に、基礎となる系の力学の部分的なビューのみを提供し、将来の観測は潜時力学によって形作られる。近年の潜在空間予測手法は、観測空間における将来の観測を直接予測するのではなく、過去の観測の潜在空間表現から将来の観測を予測することにより、性能の向上を実現している。次に、将来の観測は外部要因によっても形成されるが、外部の、しばしばマルチモーダルな情報を予測に組み込むことによって、潜時状態の形成と進化を直接形成することができるかは、まだ未解明のままである。我々は,マルチモーダルな共変量を直接予測に統合し,予測性能をさらに向上する世界モデリングベースの予測フレームワーク WorldTS を提案する。具体的には、WorldTSは2段階のトレーニング戦略を採用している。まず、マルチモーダル共変量で条件付けられた予測関連潜在状態のダイナミクスを学び、符号化後の状態を生成する。次に、学習状態のダイナミクスが凍結され、将来の予測状態を将来の観測にマッピングするために観測デコーダが訓練される。 21の現実世界のデータセットに関する大規模な実験は、WorldTSとその有効性に関する洞察を提供する。

関連論文リスト

WOLF: World Model Guided LiDAR Exploration with Predictive Frontiers [57.192711741481425]
WOLFは、将来の観測を予測し、自律探査を強化する世界モデル誘導フレームワークである。 WOLFは、観測履歴と探索中の候補運動を組み合わせて、局所的占有率と可視性を予測する。シミュレーションでは,ガレージにおけるEPICと比較して平均終端時間を10.9%削減する。
論文参考訳（メタデータ） (2026-09-20T14:09:26Z)
Existence Precedes Value: Joint Modeling of Observational Existence and Evolving States in Time Series Forecasting [15.993594186846826]
実世界の時系列は、しばしばセンサーの休眠、送信遅延、イベント駆動サンプリングのために、非常に不完全で不規則である。タイムフライ(Timeflies)は、将来の観測可能性推定と価値推定の連立問題として予測を再構築する統合されたフレームワークである。
論文参考訳（メタデータ） (2026-06-11T16:59:42Z)
Nested Spatio-Temporal Time Series Forecasting [37.72264188106367]
マイクロレベルの歴史的観測と将来のマクロレベルの地域動向を結びつけるネスト予測フレームワークを提案する。具体的には、スペクトルクラスタリングに基づく手法を用いてセマンティック・コヒーレントな領域を構築する。我々はこれらの代表的特徴を推論プロセスに統合するプログレッシブ粗大予測器を開発した。
論文参考訳（メタデータ） (2026-05-15T02:06:31Z)
LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文参考訳（メタデータ） (2026-05-11T09:54:02Z)
From Observations to States: Latent Time Series Forecasting [65.98504021691666]
本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
論文参考訳（メタデータ） (2026-01-30T20:39:44Z)
DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。 AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
論文参考訳（メタデータ） (2025-10-13T03:13:35Z)
Data driven weather forecasts trained and initialised directly from observations [1.44556167750856]
Skilful Machine Learned weather forecasts has challenged our approach to numerical weather prediction。データ駆動システムは、過去の気象の長い歴史記録から学ぶことによって、将来の天気を予測するために訓練されている。そこで我々は,ニューラルネットワークをトレーニングし,過去の観測から将来の天気を予測する新しい手法を提案する。
論文参考訳（メタデータ） (2024-07-22T12:23:26Z)
Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文参考訳（メタデータ） (2024-02-06T21:28:42Z)
Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文参考訳（メタデータ） (2023-12-18T09:05:28Z)

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。