論文の概要: KITE: A Knowledge-Injected Temporal Encoder for Time-Series Event Forecasting

• arxiv url: http://arxiv.org/abs/2610.12738v1
• Date: Thu, 08 Oct 2026 21:35:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.286593
• Title: KITE: A Knowledge-Injected Temporal Encoder for Time-Series Event Forecasting
• Title（参考訳）: KITE:時系列イベント予測のための知識注入型テンポラルエンコーダ
• Abstract要約: これを前もってセマンティックと呼び、自己管理型のイベント予測器に注入します。 前者は、観測されたウィンドウがまだ含まれていない情報を提供するのに役立ちます。 KITEは、コンテキストコンディショニングへの切り替え可能で帰属可能なルートである。
• 参考スコア（独自算出の注目度）: 1.5519480360167075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting rare, high-cost events in multivariate time-series systems is hard because their precursors are seldom observed, so a purely data-driven model has little to learn from. The engineers who run these systems, however, hold knowledge that precedes such events, information absent from the scarce labels. We call this a semantic prior and inject it into a self-supervised event forecaster through two switchable mechanisms, a covariate mechanism and an attention-bias mechanism, each the identity at its null, so one architecture serves every prior type with no per-dataset architecture search. A prior helps when it supplies information the observed window does not already contain: in a short context an informative prior beats no prior in-domain (pooled h-AUROC over the no-prior baseline: a periodicity clock +14%, p<0.001; a conservation residual +47% at a 0.25 label fraction), and a working prior transfers out-of-domain (+53%), substituting for feature transfer, while priors the window already recovers stay inert and the attention-bias mechanism shows no measurable gain. KITE is a switchable, attributable route to contextual conditioning, and a substrate for scaling toward cross-domain, pretrained time-series foundation world models that carry their governing structure explicitly.
• Abstract（参考訳）: 多変量時系列システムにおける希少かつ高コスト事象の予測は、前駆体がほとんど観測されないため困難であり、純粋にデータ駆動モデルはほとんど学べない。 しかし、これらのシステムを実行するエンジニアは、そのようなイベントに先立つ知識を持っている。 我々はこれをセマンティック事前と呼び、それを2つの切り換え可能なメカニズム、共変機構とアテンションバイアス機構を通じて、自己教師型イベント予測器に注入する。 短いコンテキストでは、情報的事前ビートは、事前ドメイン(非プライオリティベースライン上のh-AUROCプール; 周期クロック+14%、p<0.001; 保存残差+47%、0.25ラベル分数での保存残差+47%)をなくし、作業前の事前転送は、機能移転(+53%)を代用し、先行は、既に不活性状態が回復し、注意バイアス機構は測定不可能な利得を示す。 KITEは、コンテキストコンディショニングへの切り替え可能なルートであり、管理構造を明示的に保持するクロスドメイン、事前訓練された時系列基礎世界モデルへのスケーリングのための基板である。

関連論文リスト

• On Unlearning for Time-series Forecasting [22.551344944210854]
  本稿では,時系列アンラーニングのためのResidual DiffusionフレームワークRDTUを提案する。 RDTUは一貫して、正確なリトレーニングに最も近い未学習のモデルを生産している。
  論文  参考訳（メタデータ） (2026-10-02T06:03:44Z)
• HEPA: A Self-Supervised Horizon-Conditioned Event Predictive Architecture for Time Series [1.592463731034439]
  HEPA(Horizon-conditioned Event Predictive Architecture)は2つの重要な原則に基づいて構築されている。 因果トランスフォーマーエンコーダはJEPA(Joint-Embedding Predictive Architecture)を介して事前訓練される 我々はエンコーダを凍結し、予測器のみを目標事象に向けて微調整し、地平線上の単調生存累積分布関数(CDF)を生成する。
  論文  参考訳（メタデータ） (2026-05-11T18:38:03Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
  EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
  論文  参考訳（メタデータ） (2026-01-26T23:15:20Z)
• 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)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• An Adaptive Framework for Generalizing Network Traffic Prediction towards Uncertain Environments [51.99765487172328]
  我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。 我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-11-30T18:58:38Z)

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。