論文の概要: Time-series Foundation Models for Predictive Control: The Role of Excitation

• arxiv url: http://arxiv.org/abs/2610.06447v1
• Date: Mon, 05 Oct 2026 14:51:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:19:28.352288
• Title: Time-series Foundation Models for Predictive Control: The Role of Excitation
• Title（参考訳）: 予測制御のための時系列基礎モデル:引用の役割
• Abstract要約: 時系列基礎モデル(TSFM)は、強力なゼロショット予測機能のおかげで魅力的な選択肢を提供する。 本研究では, 住宅用ヒートポンプ制御をテストベッドとして利用し, 予測結果と地道効果の一致度を測定した。 一般的な微調整パイプラインと機能のスムーズ化は減少するが、コンテキスト内励起の必要性を排除しない。
• 参考スコア（独自算出の注目度）: 1.5739505347584561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deploying model predictive control (MPC) requires constructing or identifying a predictive model for each target system. Time-series foundation models (TSFMs) offer an attractive option thanks to strong zero-shot forecasting capabilities across systems. However, low forecast error does not guarantee that a TSFM captures the system's response to the alternative actions considered by the controller. We study this gap using residential heat-pump control as a test bed, measuring the agreement between predicted and ground-truth effects of control interventions. Importantly, we find that TSFMs can recover the system's input-response relationship when the context contains sufficient independent control excitation. Common fine-tuning pipelines and feature smoothing reduce, but do not eliminate, the need for in-context excitation. Our results indicate that current TSFMs used for predictive control require sufficiently informative control variation in the inference context. Initial closed-loop results show promise for shorter context windows.
• Abstract（参考訳）: モデル予測制御(MPC)の展開には、ターゲットシステム毎に予測モデルを構築または特定する必要がある。 時系列基礎モデル(TSFM)は、システム間で強力なゼロショット予測機能によって、魅力的な選択肢を提供する。 しかし、低い予測誤差は、TSFMがコントローラが考慮する代替アクションに対するシステムの応答をキャプチャすることを保証しない。 本研究では, 住宅用ヒートポンプ制御をテストベッドとして利用し, 制御介入の予測と地道効果の一致を測定した。 重要なことに、TSFMは、文脈が十分な独立制御励起を含む場合、システムの入力応答関係を回復することができる。 一般的な微調整パイプラインと機能のスムーズ化は減少するが、コンテキスト内励起の必要性を排除しない。 以上の結果から,予測制御に使われているTSFMは,推論コンテキストにおいて十分な情報伝達制御を必要とすることが示唆された。 最初のクローズドループの結果は、短いコンテキストウィンドウを約束することを示している。

関連論文リスト

• Benchmarking Generative Trajectory Models for Active-Inference Control [8.861374813557214]
  軌道上のデモンストレーションから学ぶことは、複雑なシステムの能動的推論制御への経路を提供する。 本稿では,1つの生成軌道モデルが実演から学習し,行動介入を測定するジェネラティブアクティブ推論制御(GenAIF)を紹介する。
  論文  参考訳（メタデータ） (2026-10-05T02:09:37Z)
• GRAM: Correcting Frozen Time-Series Foundation Models via Graph-Retrieved Amplitude Memory [58.68570511441593]
  時系列基礎モデル(TSFM)は、ドメイン間事前トレーニングによるゼロショット予測を可能にする。 冷凍TSFMのための一般的な検索拡張フレームワークであるGRAMを提案する。
  論文  参考訳（メタデータ） (2026-10-04T00:20:36Z)
• CTRL: Control-Based Time Series Forecasting with LLM-Guided Residual Learning [7.5619012164736334]
  定量的な予測から意味論的推論を分離する枠組みを導入する。 凍結したバックボーンはベース予測を生成し、特殊なLDMエージェントはコントローラとして機能する。 LLMは、非定常時間ダイナミクスと分散シフトの下で改善するように明示的に設計されている。
  論文  参考訳（メタデータ） (2026-09-20T00:10:06Z)
• TA-SparseMG: Trend-Aware Sparse Forecasting via Multi-Scale Gating for Long-Term Time Series [6.394123470044826]
  本研究では,SparseTSFのスパース・クロスタイム・モデリング・フレームワーク上に構築された,軽量なクロス周期予測モデルTA-SparseMGを提案する。 トレンド対応の正規化モジュール、スケール適応型denoisingモジュール、ゲートアテンション予測モジュールの3つの重要なモジュールが組み込まれている。 複数のLTSFベンチマークによる実験により、提案したTA-SparseMGは、常に優れた安定した性能を達成できることを示した。
  論文  参考訳（メタデータ） (2026-06-26T09:57:36Z)
• Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
  本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。 このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。 安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
  論文  参考訳（メタデータ） (2026-03-07T01:49:59Z)
• Closing the Loop: A Control-Theoretic Framework for Provably Stable Time Series Forecasting with LLMs [22.486083545585984]
  大規模言語モデル(LLM)は、最近、時系列予測において例外的な可能性を示している。 既存のアプローチは通常、単純で自己回帰的な生成戦略を採用している。 我々は,新しいクローズドループフレームワークである textbfF-LLM を提案する。
  論文  参考訳（メタデータ） (2026-02-13T09:35:12Z)
• ScaleWeaver: Weaving Efficient Controllable T2I Generation with Multi-Scale Reference Attention [86.93601565563954]
  ScaleWeaverは、高度な視覚的自己回帰(VAR)モデルに基づいて、高忠実で制御可能な生成を実現するために設計されたフレームワークである。 提案された参照注意モジュールは image$rightarrow$condition から不要な注意を排除し、計算コストを削減している。 実験によると、ScaleWeaverは、拡散ベースの方法よりも優れた効率を実現しつつ、高品質な生成と正確な制御を提供する。
  論文  参考訳（メタデータ） (2025-10-16T17:00:59Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Information-seeking polynomial NARX model-predictive control through expected free energy minimization [4.02487511510606]
  本稿では,システムの目標状態への運転とシステム観測の両立を両立させる適応型モデル予測制御器を提案する。 パラメータの不確かさが制御対象にどのように影響するかを実験で示し、振り子スイングアップタスクのための提案したコントローラを評価する。
  論文  参考訳（メタデータ） (2023-12-22T20:18:54Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
  我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
  論文  参考訳（メタデータ） (2020-03-12T19:56:38Z)

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。