論文の概要: What Does History Add? Calendar Controls and Information-Timing Audits for University Trajectory Forecasting
- arxiv url: http://arxiv.org/abs/2610.21419v1
- Date: Thu, 15 Oct 2026 07:31:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.252634
- Title: What Does History Add? Calendar Controls and Information-Timing Audits for University Trajectory Forecasting
- Title（参考訳）: 歴史には何が加わったか : 大学軌跡予測のためのカレンダー制御と情報共有監査
- Abstract要約: ルールに基づく大学軌跡シミュレータにおいて,過去の要約の予測値を評価した。
我々は16,750のルートと804,000の月間記録を再構築した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We audit the predictive value of historical summaries in a rule-based university trajectory simulator. Seventeen ridge specifications and persistence separate current plans, past-state and past-plan summaries, and calendar-only history-length indicators. Across training, validation and two family-held-out evaluations, we reconstruct 16,750 routes and 804,000 monthly records. On the original 40-family set, six-month history lowers six-step normalized RMSE from 0.159234 to 0.151522, but its difference from a length-only control is -0.000895 (descriptive paired 95% interval [-0.001957,0.000248]). Fixed weights on 30 families unused in identified prior tasks reproduce this pattern: 0.156480 to 0.150074 versus current-state prediction, but -0.000558 [-0.001783,0.000728] versus the length control. These uncertain comparisons do not generalize to all-history summaries, which improve on their own calendar control. Exploratory decomposition finds clearer preparation-index and funds benefits, whereas fatigue dominates the six-month model's loss and has an uncertain length-controlled benefit. Moreover, 28.20% of its six-step fatigue predictions violate the simulator's [5,90] support. We document family dependence, prior exposure, strict temporal indexing, matched recursive references and independent numerical replay. The task conditions on recorded future plans; it does not evaluate real-student forecasts, causal action effects, autonomous planning or language-model memory. This is an evaluation audit, not a new memory architecture.
- Abstract（参考訳）: ルールに基づく大学軌跡シミュレータにおいて,過去の要約の予測値を評価した。
17の尾根仕様と永続性は、現在の計画、過去の計画と過去の計画の要約、カレンダーのみの履歴の長さの指標を分離する。
トレーニング, 検証, 2つの家族によるアウトアウト評価を通じて, 16,750のルートと804,000の月間記録を再構築した。
オリジナルの40家族セットでは、6ヶ月の履歴は6段階の正規化RMSEを0.159234から0.151522に下げるが、長さのみの制御との違いは-0.000895(記述的対95%間隔 [-0.00 1957,0.000248])である。
特定された事前タスクに未使用の30家族の固定重みはこのパターンを再現する: 0.156480 から 0.150074 、現在の予測に対して -0.000558 [-0.001783,0.000728] 、長さ制御に対して -0.000558 [-0.001783,0.000728] 。
これらの不確実な比較は、全歴史サマリーに一般化せず、独自のカレンダー制御を改善している。
探索的な分解は、より明確な準備指数と資金の利益を見出す一方、疲労は6ヶ月のモデルの損失を支配し、不確実な長さ制御の利益を持つ。
さらに6段階の疲労予測の28.20%がシミュレータの[5,90]サポートに違反している。
我々は,家族依存,先行曝露,厳密な時間指標,再帰的参照と独立数値再生を文書化する。
記録された将来の計画におけるタスク条件 - リアルタイム予測、因果行動効果、自律計画、言語モデル記憶を評価しない。
これは評価監査であり、新しいメモリアーキテクチャではない。
関連論文リスト
- GIFT-Eval-CTX: A Benchmark For Contextual Forecasting Model Evaluation [54.762166226411956]
GIFT-Eval-CTXは数値軌道予測のベンチマークである。
GIFT-Eval-CTXには、20データセットにわたる10,000のインスタンスが含まれている。
構造的効果により、GPT-5.6ゾルでは40.7%、クロードオプス4.8では29.6%の集合相対性MASEが減少する。
論文 参考訳（メタデータ） (2026-10-13T06:21:50Z) - A Unified Scaling Law for Time Series Foundation Models [8.77604984082697]
我々は,モデルキャパシティと履歴情報の予測方法を理解するために,統一スケーリング法と時系列学習の統一理論を開発する。
異なる見返りの長さと予測地平線で、23のデータセット周波数タスクにおいて、21のチェックポイントから18,768の実験細胞を解析した。
論文 参考訳（メタデータ） (2026-10-04T14:45:05Z) - Time-Series Foundation Models That Understand Data Revisions [0.0]
VINTAGE-TSは時系列基礎モデルのリビジョン対応である。
そのターゲットは、次の期間の最初の発行された価値であり、その発表の数日後に利用可能な価値である。
ALFREDに基づくローリング評価,一致したクロノス2の比較,従来およびリビジョン対応ベースライン,事前学習重複の個別監査を行う。
論文 参考訳（メタデータ） (2026-09-23T12:29:23Z) - DRSR: Learning Set-Level Deletion Risk for Efficient Long-Horizon Agents [55.84813053778976]
ロングホライゾン言語モデルエージェントは、現在の決定と関係が変化する推論の痕跡、ツール交換、観察を蓄積する。
直接セットリスクスコアは、削除セットの選択としてエージェント履歴圧縮リスクを定式化する。
メカニカル・アナリシスとアブリケーションは、決定に制約のある関係、保持されたコンテキスト情報、ペア・インタラクション、および棄権がそれぞれ信頼できるプルーニングに寄与していることを示している。
論文 参考訳（メタデータ） (2026-09-23T03:06:01Z) - BranchDrive: A Branch-Structured Dataset for Action-Conditioned Driving Prediction [0.0]
BranchDriveはブランチ構造化されたCARLAデータセットで、1つの標準的な事前決定履歴と1つの専門的な専門的未来をペアリングする。
各介入は2.5秒続き、その後専門家の回復が続く。
行動のみ, 履歴のみ, 構造化, 視覚, マルチモーダル, 特権鳥の目視モデルを用いて, 6つの連続した短地軸と10ステップのエゴ軌道の予測を評価する。
論文 参考訳（メタデータ） (2026-09-23T03:02:38Z) - TimeLitmus: A Diagnostic Benchmark for Cross-Modal Understanding and Explanation Faithfulness in Event-Conditioned Time-Series Prediction [48.104261148149654]
TimeLitmusは、イベント条件付き時系列予測における相互理解と忠実さの説明のための診断ベンチマークである。
TimeLitmusには財務と交通の計4,856件の評価記録がある。
論文 参考訳（メタデータ） (2026-09-21T14:38:49Z) - ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。
SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。
モデル自身の失敗から両方を得るReDraftを紹介します。
論文 参考訳（メタデータ） (2026-09-15T04:59:03Z) - LiFTER: A Grounded Neuro-Symbolic Microscope for Continuous-Time Dynamic Graph Forecasting [0.0]
連続時間動的グラフモデルは、過去の相互作用をニューラルステートに圧縮することで将来のリンクを予測する。
LiFTERは、観測された相互作用を時間的事実として保存する神経共生予測器である。
LiFTERは、競合する歴史的負の予測を達成し、c-カレンシーと削除忠実度が最も高いマクロ説明を行う。
論文 参考訳（メタデータ） (2026-08-07T03:39:09Z) - CUSUM-Shaped Inference-Time Monitoring and Targeted Re-Decoding for Quantized Small Language Model Reasoning [0.6999740786886536]
MGT-Bは、事前サンプリングの不確かさと変性の特徴の重なり合う窓を、位置条件による経験的尾の確率にマップする。
ログしきい値h=10のマニュアル選択後に最初に観察された問題同一性に対して,その効果が持続するかどうかを検証した。
どちらの分析も確証がなく、実証的要因は有効な電子プロセスや電子検出器として確立されていない。
論文 参考訳（メタデータ） (2026-07-22T13:34:17Z) - 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)
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。