論文の概要: TIMBRE: Teaching Time Series Forecasters to Read, Remember, and Reconcile

• arxiv url: http://arxiv.org/abs/2610.04795v1
• Date: Sat, 03 Oct 2026 22:46:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 08:51:11.300516
• Title: TIMBRE: Teaching Time Series Forecasters to Read, Remember, and Reconcile
• Title（参考訳）: TIMBRE: 時系列予測者が読み、思い出し、再調整できるように教える
• Abstract要約: イベントインフォームド予測では、レポートと履歴応答を数値予測に変更に変換する必要がある。 本稿では、ソース認識表現、状態条件応答転送、信頼性誘導融合を組み合わせたTIMBREを提案する。
• 参考スコア（独自算出の注目度）: 9.467270485455318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event-informed forecasting requires translating reports and historical responses into changes to a numerical forecast. We propose TIMBRE (Temporal Integration of Memory-Based Responses and Evidence), which combines source-aware representation, state-conditioned response transfer, and reliability-guided fusion before a frozen forecast head. A separate readout adjusts interval widths while preserving the median. In a single-seed, one-epoch development study of 13 tasks, TIMBRE improves MAE over ordinary fusion on eight tasks but over native Chronos-2 on only two. Disabling response transfer in the trained model reduces BTC and AULF MAE by 47.04% and 6.81%, respectively. These findings identify sensitivity to learned response transfer rather than a general forecasting advantage. Missing development-set scores and the absence of retrained ablations limit attribution to individual evidence mechanisms.
• Abstract（参考訳）: イベントインフォームド予測では、レポートと履歴応答を数値予測に変更に変換する必要がある。 我々は,凍結予測ヘッドの前に,ソース認識表現,状態条件対応転送,信頼性誘導融合を組み合わせたTIMBRE(Temporal Integration of Memory-Based Responses and Evidence)を提案する。 別個の読み出しは、中央値を保持しながら間隔幅を調整する。 TIMBREは、13のタスクの1つのエポックな開発研究において、8つのタスクの通常の融合よりも、2つのタスクのネイティブChronos-2よりもMAEを改善する。 訓練されたモデルにおける無効な応答伝達は、それぞれBTCとAULF MAEを47.04%、AULF MAEを6.81%削減する。 これらの結果は、一般的な予測優位性ではなく、学習した応答伝達に対する感度を同定する。 開発セットの欠落と再訓練されたアブレーションの欠如は、個々のエビデンスメカニズムへの寄与を制限する。

関連論文リスト

• On the Divergence of Accuracy and Mechanism Consistency in Time Series World Models [39.88832373182896]
  時系列世界モデル(TSWM)は、観測された履歴と計画された行動と入力から制御システムの状態を予測する。 実際のシステムのように、どの設計選択が重要か、そして正確な予測が変更計画に反応するかどうかを問う。 我々はTSWMに、凍結した潜伏空間と精度のための出力側融合のレシピと、メカニズムの整合性のトレーニング目標を与える。
  論文  参考訳（メタデータ） (2026-10-01T15:10:09Z)
• Multi-Appliance Non-Intrusive Load Monitoring via Label-Preserving Aggregate Recomposition and Prediction Consistency [0.42970700836450487]
  非侵入負荷監視(NILM)は、アプライアンス電力列を集約電力から推定する。 源泉家庭で訓練されたモデルは、通常、目に見えない家庭では精度が低下する。 ラベル保存集合再構成と予測整合性を組み合わせた。
  論文  参考訳（メタデータ） (2026-09-16T08:35:42Z)
• Shift Aware Transfer Learning with Adaptive Dual-Encoder Fusion for PM Forecasting in Data-Limited Environments [0.0]
  微小粒子状物質(PM2.5)の短期水平予測は, 対象領域からの観測が限定される場合, 困難である。 本研究では、ソースドメイン知識とターゲット固有表現学習を組み合わせたシフト対応のデュアルエンコーダ転送フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-08-14T16:41:16Z)
• What LLM Forecasters Know but Don't Say: Probing Internal Representations for Calibration and Faithfulness [3.4789212936038116]
  我々は、中間活性化に基づいて表現プーリングプローブを訓練し、キャリブレーションが大幅に向上することを確認した。 我々は,エビデンス・アブレーションとディバータリー・インジェクションを通じて,思想的忠実度を評価する。 単一の事前推論パスは、コミットされた回答と信頼を回復し、この事前設定された回答分布の拡散による質問のルーティングは、生成されたトークンの30～47%を節約する。
  論文  参考訳（メタデータ） (2026-07-09T01:52:09Z)
• MAIGO: Mitigating Lost-in-Conversation with History-Cleaned On-Policy Self-Distillation [51.32912774464992]
  大規模な言語モデルは、しばしば完全に指定されたプロンプトからタスクを解くが、同じ要求が複数のターンに広がると分解する。 本研究は, モデル自体の方針から, 履歴をクリアした基準を用いて汚染を低減させる, オンライン自己蒸留法であるMAIGOを提案する。 ミドルターンの場合、MAIGOは、ユーザ可視のシャードプレフィックスを保持しながら、事前のアシスタント応答を削除します。
  論文  参考訳（メタデータ） (2026-05-26T15:38:46Z)
• EDIT: Early Diffusion Inference Termination for dLLMs Based on Dynamics of Training Gradients [6.736735746633275]
  拡散に基づく大規模言語モデル (dLLMs) は反復的妄想を通じてトークン生成を洗練させるが、全てのステップが完了する前に答えは安定することが多い。 本稿では,トレーニング時推論に対する十分な推論安定性が検出された場合に,適応的にデノイングを停止する推論時基準であるEDITを提案する。
  論文  参考訳（メタデータ） (2025-11-29T23:47:47Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Time Is a Feature: Exploiting Temporal Dynamics in Diffusion Language Models [57.474294329887236]
  拡散大言語モデル (dLLMs) は反復的 denoising を通じてテキストを生成する。 現在のデコード戦略は、最終的な出力に有利なリッチな中間予測を捨てている。 時間的整合性を利用する2つの相補的手法を導入する。
  論文  参考訳（メタデータ） (2025-08-12T17:59:57Z)

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。