論文の概要: State Estimation as In-context Tabular Prediction

• arxiv url: http://arxiv.org/abs/2610.32487v1
• Date: Fri, 23 Oct 2026 11:04:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.50243
• Title: State Estimation as In-context Tabular Prediction
• Title（参考訳）: In-context Tabular Predictionとしての状態推定
• Abstract要約: この文字は、状態推定(SE)を、コンテキスト内タブラ予測(ICTP)問題として表す。 我々は,14-,30-,33-,70-,118-busの伝送・配信ネットワークの状態を推定するために,冷凍TFM重みを用いる。 ICTP角の誤差は、バイアスのない値に対して1.8から5.0$times$に上昇する。 リトレーニングなしでは、ICTPは両方のフィードでDSS$2$よりも電圧誤差が低く、3つの再構成セットのうち2つで再トレーニングされたTAPINEより低い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This letter poses state estimation (SE) as an in-context tabular prediction (ICTP) problem. The key idea is a tabular arrangement in which historical measurement vectors and corresponding state estimates serve as the context, and a new measurement vector forms the query for which we predict a state vector. We propose to use tabular foundation models (TFMs), pretrained on synthetic data, whose weights are never updated, so power system data is needed only as context. With frozen TFM weights we estimate the state of 14-, 30-, 33-, 70-, and 118-bus transmission and distribution networks, and do so where weighted least squares (WLS) fails or degrades, under low observability and with bad data. ICTP errors are 11 to 57$\times$ below the per-bus average of the context at full metering, and 1.3 to 4.0$\times$ below it with only 5% of measurements available. With measurements at six buses biased by 8$σ$, the ICTP angle error rises 1.8 to 5.0$\times$ over its bias-free value against 2.5 to 12.7$\times$ for WLS with bad-data detection. Without retraining, ICTP has lower voltage error than DSS$^2$ on both of its feeders, and lower than a retrained TAPINE on two of three reconfiguration sets.
• Abstract（参考訳）: この文字は、状態推定(SE)を、コンテキスト内タブラ予測(ICTP)問題として表す。 鍵となる考え方は、過去の測定ベクトルとそれに対応する状態推定がコンテキストとして機能し、新しい測定ベクトルが状態ベクトルを予測するクエリを形成する、表形式の配置である。 本稿では,重みを更新しない合成データに基づいて事前訓練した表層基礎モデル(TFM)を提案する。 凍結されたTFM重みでは、14-,30-,33-,70-,118-busの伝送および分配ネットワークの状態が推定され、低可観測性と悪いデータの下で、重み付き最小二乗(WLS)が故障または劣化する。 ICTPエラーは、全測定時のバス平均より11～57$\times$以下で、1.3～4.0$\times$以下で測定できるのはわずか5%である。 8$σ$でバイアスされた6台のバスでの測定により、ICTP角誤差は2.5対12.7$\times$に対して1.8対5.0$\times$に上昇する。 リトレーニングなしでは、ICTPは両方のフィードでDSS$^2$よりも電圧誤差が低く、3つの再構成セットのうち2つで再トレーニングされたTAPINEより低い。

関連論文リスト

• Inferring Missing Trajectory Data with Temporal Convolutional Networks [0.0]
  本稿では,標準因果制約を緩和する対称拡張型時間畳み込みネットワーク(TCN)を提案する。 このモデルは、重み付き平均二乗誤差、境界連続性ペナルティ、滑らか性正規化器を組み合わせた複合損失で訓練される。 1000ドル(電車)、200ドル(バリデーション)、300ドル(テスト)の2次元軌道にランダムに配置された20%のマスク付きセグメントで訓練されたこのモデルは、良いR$2ドル、MSE、MAEの計測値を得る。
  論文  参考訳（メタデータ） (2026-07-27T23:46:15Z)
• Benchmarking Speech-to-Speech Translation Models [55.00303727199927]
  音声音声翻訳(S2ST)は急速に進歩しているが、オフライン評価には統一されたプロトコルが欠けている。 8次元にわたる46のメトリクスを統合するベンチマークフレームワークを導入する。 FLEURSとCVSSから1,248のモデル言語構成でデプロイする。
  論文  参考訳（メタデータ） (2026-06-02T07:01:33Z)
• ChainzRule: Sample-Efficient, Robust Deep Learning Across Tabular, NLP, and Vision Tasks [0.0]
  エンタープライズドメイン全体にわたるディープラーニングシステムは、学術ベンチマークが不明瞭な制約の下で運用される。 本稿では、典型的なアクティベーションを微分正規化(DREG)によって制御される学習可能な層に置き換えるニューラルネットワークChainzRule(CR)を提案する。 CRは、ピマ糖尿病で85.71% pm 2.01%$、凍結エンコーダでSST-5の感情分類で46.20% pm 0.37%$、パラメータが3.2Mの完全順序回帰で70.17%$を達成している。
  論文  参考訳（メタデータ） (2026-05-23T01:52:50Z)
• GenAI-FDIA: Physics-Informed Generative Models for False Data Injection Attacks [0.5729426778193398]
  電力系統に対する偽データ注入攻撃(FDIA)の訓練と評価は、データ不足によって制限される。 物理対応FDIA合成のためのP=20$アーキテクチャのプールをベンチマークするフレームワークであるtextscGenAI-FDIAを提案する。
  論文  参考訳（メタデータ） (2026-05-15T19:51:08Z)
• Semantic Tube Prediction: Beating LLM Data Efficiency with JEPA [50.494504099850325]
  我々は、トークン列が滑らかな意味多様体上の測地線を辿り、従って局所線型であることを示す測地論仮説を導入する。 本稿では,この制約により信号対雑音比が向上し,軌道中の衝突を防止することにより多様性が保たれることを示す。 幾何学的先行性は、ブルートフォーススケーリングを超越できることを実証する。
  論文  参考訳（メタデータ） (2026-02-26T04:45:07Z)
• Monitoring State Transitions in Markovian Systems with Sampling Cost [65.4151496405543]
  自然なアプローチは、予想される予測損失がクエリコスト以下で、クエリがなければいつ発生するかを予測する、欲張りのポリシーである。 最適(OPT)戦略は状態依存のしきい値ポリシである。 遷移確率が未知の場合、我々は、グレディポリシーの予測勾配降下(PSGD)に基づく学習変種を提案する。
  論文  参考訳（メタデータ） (2025-10-25T15:07:37Z)
• Test time training enhances in-context learning of nonlinear functions [51.56484100374058]
  テストタイムトレーニング(TTT)は、各予測に先立って指定されたパラメータを明示的に更新することで、モデル性能を向上させる。 本研究では,TTTとテキスト内学習(ICL)の組み合わせについて検討する。
  論文  参考訳（メタデータ） (2025-09-30T03:56:44Z)
• Fine-gained air quality inference based on low-quality sensing data using self-supervised learning [11.100368153987263]
  安価なAQマイクロステーション(MS)の普及により、AQマッピングが可能となる。 MSは、正確な読み取りを提供するが、数値が不足している標準化されたステーション(SS)とは対照的に、しばしば不正確で、局所的な障害に敏感である。
  論文  参考訳（メタデータ） (2024-08-18T16:24:05Z)
• Language models scale reliably with over-training and on downstream tasks [121.69867718185125]
  スケーリング法則は、高価なトレーニング実行を引き出すための有用なガイドである。 しかし、現在の研究と言語モデルがどのように訓練されているかには差がある。 対照的に、スケーリング法則は主に推論における損失を予測するが、モデルは通常下流のタスクのパフォーマンスで比較される。
  論文  参考訳（メタデータ） (2024-03-13T13:54:00Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• Fast-Rate Loss Bounds via Conditional Information Measures with Applications to Neural Networks [14.147617330278662]
  有界損失関数の場合のランダム化学習アルゴリズムのテスト損失に基づく。 我々は、MNISTとFashion-MNISTでトレーニングされたニューラルネットワークアーキテクチャにより、テスト損失の無作為な推定が達成可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T09:23:25Z)

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。