論文の概要: STRIDE: State-Transition Representation via Increment Dynamics and Evolution

• arxiv url: http://arxiv.org/abs/2609.32367v1
• Date: Sat, 26 Sep 2026 08:44:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 17:21:35.558273
• Title: STRIDE: State-Transition Representation via Increment Dynamics and Evolution
• Title（参考訳）: STRIDE:インクリメントダイナミクスと進化による状態遷移表現
• Abstract要約: 我々は、微分指紋を通して状態を定義し、状態遷移(qpairs)の局所関数を学習するSTRIDE(State-Transition Representation via Increment Dynamics and Evolution)を紹介する。 トレーディング・コンボリューション・ウィンドウは局所的な関節遷移周波数を推定し、そのラグ差は高次元の軌道を形成する。 予測を再結合し、履歴アンカレッドの逆変換を適用すると、将来の遷移周波数が回復し、サンプル状態パスは局所関数を選択して連続予測を生成する。
• 参考スコア（独自算出の注目度）: 2.8475844781337147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce STRIDE (State-Transition Representation via Increment Dynamics and Evolution), which defines states through derivative fingerprints and learns local functions for state transitions (qpairs), recasting continuous forecasting as transition prediction. Trailing convolution windows estimate local joint-transition frequencies, whose lagged differences form a high-dimensional increment trajectory. Proper orthogonal decomposition (POD) gives coordinate paths, jointly forecast by sparse dynamics with memory. Recombining their forecasts and applying history-anchored inversion recovers future transition distributions; sampled state paths select local functions to generate continuous forecasts. Three-seed experiments compare STRIDE against fourteen baselines across nine benchmark families. Five independent Markov and hidden-state baselines cover all 230 evaluated tasks, with 220 complete whole-horizon pairs. Against these comparators, system-weighted late-Energy win fractions range from 73.6% to 78.5% on 190 multi-step pairs; against DLinear, the fraction is 77.3% on 72 paired multi-step tasks. Matched controls examine the intermediate representation. On 64 independently initialized Aizawa trajectories, late-Energy reductions against four matched controls range from approximately 24% to 56%, with all four prespecified contrasts passing Holm correction. These results connect transition-statistic prediction to continuous probabilistic forecasting, with substantial long-horizon gains in the matched Aizawa study.
• Abstract（参考訳）: 本稿では,微分指紋を用いて状態を定義し,状態遷移(qpair)の局所関数を学習し,連続予測を遷移予測として再放送するSTRIDE(State-Transition Representation via Increment Dynamics and Evolution)を紹介する。 トレーディング・コンボリューション・ウィンドウは、局所的な関節移行周波数を推定し、そのラグ差は高次元のインクリメント軌道を形成する。 適切な直交分解(POD)は座標経路を与え、メモリとのスパースダイナミクスによって共同で予測する。 予測を再結合し、履歴アンカレッドの逆変換を適用すると、将来の遷移分布が回復する。 3シードの実験では、STRIDEを9つのベンチマークファミリーで14のベースラインと比較した。 5つの独立したマルコフと隠れ状態のベースラインは、230の全ての評価されたタスクをカバーし、220の完全な水平対を持つ。 これらのコンパレータに対して、システム重み付きレイトエナジーの勝利率は、190個のマルチステップペアで73.6%から78.5%の範囲であり、DLinearでは72個のマルチステップタスクで77.3%である。 一致した制御は中間表現を調べる。 64の独立に初期化された相沢軌道では、4つの一致した制御に対する遅延エネルギーの削減はおよそ24%から56%の範囲であり、ホルム補正に合格する4つのコントラストは全て規定されている。 これらの結果は, 遷移統計予測と連続確率予測を関連づけるものであり, 一致した相沢実験では, かなりの長期利得が得られた。

関連論文リスト

• Beyond One-Step Accuracy: State-Affine Latent Transition for Reliable Visual Planning [53.476598858325985]
  複数ステップのロールアウトエラーを個々のステップで導入したエラーに分解し,その後の遷移を通した伝播を行う。 状態-アフィンダイナミクスは、状態非依存のヤコビアンとの微分可能遷移であることを示す。 動作条件付き状態-アフィンダイナミクスモデルであるSALTを導入し、動作が状態変換と追加更新の両方を変調する。
  論文  参考訳（メタデータ） (2026-09-27T14:12:27Z)
• One Patch, Three Roles: What Is Actually Coupled in Autoregressive Time-Series Forecasting? [49.84472730204669]
  凍結した親の軌道は, 軽量な平行出口で観測される未来よりも適合しやすいことを示す。 また、列車選択した周期的歴史方向に沿って補正可能な残射も見出す。 Tangentはこの修正を、ニューラルパラメータやTransformerコールを追加せずに適用する。
  論文  参考訳（メタデータ） (2026-09-20T14:54:35Z)
• From Explanations to Interventions: Execution-Guided Counterfactual Synthesis in Temporal Graphs [0.0]
  本稿では、介入合成の中間表現として実行可能な推論トレースを用いたトレース誘導介入探索を提案する。 特定ファイルカウンタは過去のイベントを編集し、凍結時間予測器が指定されたホイルを選択する。 提案生成は、固定上限内の候補を編集して選択する。
  論文  参考訳（メタデータ） (2026-09-10T07:19:06Z)
• From Concentration to Differentiation and Back: Routing Effective Rank in MoE Reasoning Cohorts [61.695980784491475]
  テストタイムスケーリングは、推論ロールアウトのコホートを生成するが、推論が展開するにつれて内部計算がどのように再編成されるかについて、標準的なラベルのない説明はない。 本稿では,MoEの専門家による類似性から構築したクロスロールアウトグラフのエントロピー有効次元性であるルーティング有効ランクデフを導入する。
  論文  参考訳（メタデータ） (2026-09-06T05:43:22Z)
• On-Policy Self-Distillation in Diffusion Models [89.32656931795293]
  強化学習は、拡散モデルと人間の好みやタスク固有の目的とを一致させることができるが、エンドポイント報酬は、中間的偏見予測をどのように変更すべきかを規定していない。 そこで我々は、DiffusionOPSDを、画像レベルの報酬誘導を明示的なターゲットに変換して、サンプルクエリにおけるクリーンな出力予測を行うオンライン自己蒸留フレームワークとして導入する。 SD 3.5-Mとステップ蒸留したZ-Image-Turboを用いて、2つのバックボーンと10個の評価器で20の報酬マッチング設定のうち19のファイナルホールトアウトスコアを達成した。
  論文  参考訳（メタデータ） (2026-08-25T14:55:24Z)
• Trajectory-Relative Hindsight Distillation for Agentic Reinforcement Learning [22.776663901175663]
  本稿では,一貫したターンアライメントプロトコルを備えたトラジェクトリ相対的ヒンドサイト蒸留フレームワークであるTRIALを紹介する。 各決定ターンに対して、TRIALは、その決定が実現した結果の結果を抽出し、通常および後向きの文脈下で同じ反応を評価する。 WebShopとALFWorldの異なるバックボーンによる実験では、TRIALは、バックボーン、環境、評価指標の8つの組み合わせでGRPOを上回っている。
  論文  参考訳（メタデータ） (2026-08-07T16:12:58Z)
• Geometric Evolution Maps: Extracting Stable Concept Probes from Transformer Residual Streams [0.0]
  391 の概念 x モデル対のアブレーション実験により、GEM 抽出プローブは少なくともピーク層プローブと同程度正確であることが示されている。 方向特異性制御は、アブレーション効果が概念指向性であることを確認する。
  論文  参考訳（メタデータ） (2026-05-25T13:40:15Z)
• Relational Preference Encoding in Looped Transformer Internal States [0.0]
  ループ変換器は内部の反復状態においてどのように人間の嗜好を符号化するかを検討する。 繰り返し洗練された2.6Bパラメータループ変換器であるOuro-2.6B-Thinkingを用いて,各ループ繰り返しから隠れた状態を抽出する。 我々は、HH-RLHFデータセット上で人間の嗜好を予測するために軽量評価器ヘッドを訓練する。 我々のペアワイズ評価器は8,552個の未確認例に対して95.2%の精度を達成し、ベースモデルは完全に凍結されている間に全バッチのL-BFGSプローブ(84.5%)を上回った。
  論文  参考訳（メタデータ） (2026-04-10T20:00:49Z)
• Hierarchical Flow Decomposition for Turning Movement Prediction at Signalized Intersections [4.885966337065846]
  本研究では,階層型ディープラーニングフレームワークであるHFD-TMを提案する。 旋回運動を初めて予測し、その予測を個々の旋回ストリームに拡張することで、旋回運動を予測する。 テネシー州ナッシュビルの6つの交差点回廊から15分間隔のLiDARデータを6ヵ月間評価し、HFD-TMは1インターバルあたり平均2.49台の絶対誤差を達成している。
  論文  参考訳（メタデータ） (2026-04-10T14:03:29Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• ERNIE-SPARSE: Learning Hierarchical Efficient Transformer Through Regularized Self-Attention [48.697458429460184]
  情報ボトルネック感度と異なる注目トポロジ間の不整合の2つの要因がスパース変換器の性能に影響を及ぼす可能性がある。 本稿では,ERNIE-Sparseというモデルを提案する。 i) 局所情報とグローバル情報を逐次統一する階層スパース変換器(HST) と、(ii) 注意トポロジの異なる変換器の距離を最小化する自己注意正規化(SAR) の2つの特徴がある。
  論文  参考訳（メタデータ） (2022-03-23T08:47:01Z)

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。