論文の概要: BeliefGraph-JEPA: Structured Latent World Models for Action-Conditioned Time Series

• arxiv url: http://arxiv.org/abs/2610.05409v1
• Date: Sun, 04 Oct 2026 17:50:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 14:01:17.15187
• Title: BeliefGraph-JEPA: Structured Latent World Models for Action-Conditioned Time Series
• Title（参考訳）: BeliefGraph-JEPA:Action-Conditioned Time Seriesのための構造化潜在世界モデル
• Abstract要約: アクション条件付き時系列予測では、将来のアクションと強制が複数のターゲットにどのように影響するかを考慮する必要がある。 直接条件付けは、これらの効果の進化とターゲット固有の影響を予測器に暗黙的に残す。 本稿では,ドライバの影響を型付き潜在影響状態に分解する構造化潜在世界モデルであるBeliefGraph-JEPAを紹介する。
• 参考スコア（独自算出の注目度）: 42.6851432034751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Action-conditioned time-series forecasting requires accounting for how future actions and exogenous forcings influence multiple targets through partially observed effects with different delays and persistence. Direct conditioning leaves the evolution and target-specific influence of these effects implicit in the predictor, while static relational graphs specify connections without tracking evolving effects. This motivates representing future-driver influence through structured latent states that evolve over the forecast horizon and route information to individual targets. We introduce BeliefGraph-JEPA, a structured latent world model that factorizes driver influence into typed latent-effect states. These states are rolled forward under future drivers and routed through a graph to target-specific nodes, forming the predictive base of a joint-embedding predictive architecture. A capacity-controlled residual supplements this base with direct driver information. On four multi-target clinical, agricultural, environmental, and industrial systems, the framework outperforms a range of pretrained and supervised known-future-covariate baselines. Matched controls isolate latent dynamics, future rollout, graph routing, and residual capacity; future rollout and graph-first residual routing improve forecasting across all four systems.
• Abstract（参考訳）: 行動条件付き時系列予測では、将来の行動と外因性強制が、異なる遅延と持続性で部分的に観察された効果を通して、複数の目標にどのように影響するかを考慮する必要がある。 直接条件付けは、これらの効果の進化とターゲット固有の影響を予測器に暗黙的に残し、静的な関係グラフは進化効果を追跡せずに接続を規定する。 このことは、予測地平線を越えて進化し、個々の目標にルート情報を伝達する構造化された潜在状態を通して、将来のドライバの影響を表すモチベーションである。 本稿では,ドライバの影響を型付き潜在影響状態に分解する構造化潜在世界モデルであるBeliefGraph-JEPAを紹介する。 これらの状態は、将来のドライバの下で前方に展開され、グラフを介してターゲット固有のノードにルーティングされ、共同埋め込み予測アーキテクチャの予測ベースを形成する。 キャパシティ制御された残留サプリメントは、このベースを直接運転情報で補う。 4つの多目的臨床、農業、環境、産業のシステムにおいて、このフレームワークは、事前訓練された、そして監督された既知の共変量ベースラインよりも優れている。 マッチしたコントロールは、遅延ダイナミクス、将来のロールアウト、グラフルーティング、残容量を分離する。

関連論文リスト

• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• 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)
• Towards Resilient Transportation: A Conditional Transformer for Accident-Informed Traffic Forecasting [16.242959582777797]
  正確な予測は、交通事故や規制などの外部要因の複雑な影響によって妨げられる。 グラフの伝播をガイド付き正規化層に統合するフレームワークであるConFormerを提案する。 我々のモデルは予測性能と効率の両方において最先端のSTAEFormerを上回っている。
  論文  参考訳（メタデータ） (2025-12-10T07:50:20Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
  HPNetは、新しい動的軌道予測手法である。 逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。 私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
  論文  参考訳（メタデータ） (2024-04-09T14:42:31Z)
• Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
  歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。 近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。 本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
  論文  参考訳（メタデータ） (2024-01-10T01:50:29Z)
• Evaluating Pedestrian Trajectory Prediction Methods with Respect to Autonomous Driving [0.9217021281095907]
  本稿では,単一軌跡生成の文脈における歩行者軌跡予測における技術の現状を評価する。 評価は、平均変位誤差(ADE)と最終変位誤差(FDE)を報告した広く使われているETH/UCYデータセット上で行われる。
  論文  参考訳（メタデータ） (2023-08-09T19:21:50Z)
• Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
  異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。 提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-02-18T02:25:35Z)
• Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network [29.289670231364788]
  本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。 また、車両軌道予測に効率的なキネマティック拘束層を応用した。 提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-02-14T20:11:13Z)

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。