論文の概要: ATEMPO: Amortized Transfer Entropy Model Per-lag Over-Time

• arxiv url: http://arxiv.org/abs/2610.36536v1
• Date: Tue, 27 Oct 2026 02:49:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.224397
• Title: ATEMPO: Amortized Transfer Entropy Model Per-lag Over-Time
• Title（参考訳）: ATEMPO: Amortized Transfer Entropy Model Per-lag Over-Time
• Abstract要約: 転送エントロピー(TE)は、ソースの過去がターゲット自身の履歴を超えたターゲットについてどれだけの頻度で教えてくれるかを測定することで、遅延を回復することができる。 本稿では,ラグや時間とともに補正された拡散型移動エントロピー推定器であるATEMPOを紹介する。
• 参考スコア（独自算出の注目度）: 8.116456801097916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When one time series informs another, the delay at which that information arrives determines if models can utilize this relationship effectively. A source may be strongly predictive at one delay but uninformative at neighboring lags. Therefore, fixed input windows may obscure this structure by bundling informative and irrelevant history together. Transfer entropy (TE) can recover these delays by measuring how much a source's past tells us about a target beyond the target's own history. However, existing TE estimators require separate fits across source and conditioning depths, with further estimation on local windows to track delays over time. We introduce ATEMPO, a diffusion-based transfer entropy estimator amortized over lags and time. ATEMPO samples source and conditioning depths during training and conditions explicitly on temporal position, allowing a single score network to estimate the full TE surface without refitting. Differencing this surface recovers when information arrives. Across synthetic datasets with ground-truth TE, ATEMPO achieves the lowest mean relative error among baselines, and on datasets with known lags, ATEMPO achieves $0.98\pm0.04$ lag-detection accuracy. ATEMPO requires a single fit across source depths $K=6$ and target depths $L=3$, whereas existing estimators require 18 separate fits to evaluate the same $K \times L$ grid. On three systems with time-varying lag, ATEMPO is the only estimator to maintain perfect lag-detection accuracy across all evaluated window lengths. These recovered delays improve downstream forecasting: ATEMPO-selected inputs reduce MSE on WEATHER-5K by 7.25%, while 120 selected inputs outperform the benchmark's 240-feature default by 4.6%. Across three brain-computer interface tasks, using ATEMPO-selected lags achieves the highest or equal-best $R^2$, improving mean $R^2$ by 4.1% relative to the strongest competing baseline.
• Abstract（参考訳）: ある時系列が別の時系列に通知されると、その情報が到着する遅延により、モデルがこの関係を効果的に活用できるかどうかが決定される。 ソースは1つの遅延で強く予測できるが、隣接するラグでは非形式的である。 したがって、固定された入力ウィンドウは、情報的かつ無関係な履歴をまとめることで、この構造を曖昧にすることができる。 転送エントロピー(TE)は、ソースの過去がターゲット自身の履歴を超えたターゲットについてどれだけの頻度で教えてくれるかを測定することで、これらの遅延を回復することができる。 しかし、既存のTE推定器では、ソースとコンディショニングの深さを別々に調整する必要がある。 本稿では,ラグや時間とともに補正された拡散型移動エントロピー推定器であるATEMPOを紹介する。 ATEMPOはトレーニング中のソースと条件の深さを時間的位置で明示的にサンプリングし、単一のスコアネットワークが修正することなくTE表面全体を推定することを可能にする。 この表面のディフレクションは、情報が到着したときに回復する。 ATEMPOは、地上構造TEを用いた合成データセット全体において、ベースライン間の平均相対誤差が最低であり、既知のラグを持つデータセットでは、ラグ検出精度が0.98\pm0.04$である。 ATEMPOはソース深さが$K=6$、ターゲット深さが$L=3$であるのに対して、既存の推定器は同じ$K \times L$グリッドを評価するために18の異なる適合が必要である。 時間変化ラグを持つ3つのシステムにおいて、ATEMPOは全ての評価窓の長さで完全なラグ検出精度を維持するための唯一の推定器である。 ATEMPO選択された入力はWAETHER-5K上のMSEを7.25%削減し、120個の選択された入力は240のデフォルトである4.6%を上回った。 3つの脳-コンピュータインタフェースタスクの中で、ATEMPO選択したラグを用いて、最も高いR^2$または同等の$R^2$を達成し、最強の競合するベースラインに対して平均R^2$を4.1%改善する。

関連論文リスト

• Causal Lag Structure Discovery in Confounded Time Series via Orthogonalized Adaptive Estimation [3.3307369599564045]
  ORACLE-VARXは3つ全てを1つのパイプラインで実行します。 ORACLE-VARXは、真のラグオーダーを追跡する。 9つの米国セクターの共同設立者について、解釈可能な因果グラフが得られる。
  論文  参考訳（メタデータ） (2026-10-04T23:28:30Z)
• When Does Online Adaptation Pay on the Edge? A Leakage-Free Evaluation of Warmup, Learning-Rate Selection, and Resource Trade-offs for Time-Series Forecasting [0.0]
  オンライン適応は、分布ドリフト下でのエッジ時系列予測に役立つが、その測定された利点は評価選択に敏感である。 本研究では,ビルセンサとスマートメーターデータを含む6つの公開多変量ストリームを,リークフリーストリーミングプロトコルの下で検討する。 6つのデータセットバックボーン設定で、推定適応の利点は1,000-20,000ステップの一般化範囲で3.0から18.8ポイント(pp)に変化する。
  論文  参考訳（メタデータ） (2026-09-01T12:04:08Z)
• Diffusion models for eye-gaze trajectory generation using position and velocity representations [39.577682622066256]
  アイトラッキングデータは収集に費用がかかり、特別なハードウェアと制御された実験室条件が必要であり、プライバシー上の制約のために共有が困難である。 本研究では2つの相補的拡散確率モデル(DDPM)を用いて、視覚探索データから視線力学を無条件に生成する。
  論文  参考訳（メタデータ） (2026-09-01T07:53:11Z)
• End-to-End Dynamic Sparsity for Resource-Adaptive LLM Inference [40.35003253838957]
  大規模言語モデル(LLM)推論は通常、静的なリソース仮定の下でデプロイされる。 本稿では,リソース適応推論のためのエンドツーエンドフレームワークであるLearning to Allocate (L2A)を提案する。
  論文  参考訳（メタデータ） (2026-06-26T05:48:21Z)
• FusionSense: Tri-Stage Near-Sensor Learning for Runtime-Adaptive Multimodal Edge Intelligence [8.780507015964234]
  FusionSenseは、エネルギー制約のある自律エッジシステムのための、融合対応のインテリジェントセンシングフレームワークである。 SynDroneによるデュアルモダリティ(RGB+Depth/LiDAR)設定では、FusionSenseはユニモーダルフィルタよりもはるかに高いデータ推論速度でタスク品質を維持できる。
  論文  参考訳（メタデータ） (2026-05-19T21:59:32Z)
• A Proprioceptive-Only Benchmark for Quadruped State Estimation: ATE, RPE, and Runtime Trade-offs Between Filters and Smoothers [3.926021278968717]
  MUSE, Invariant Extended Kalman Filter (IEKF), Invariant Smoother (IS) の3つの状態受容状態推定器を比較した。 本稿では,長期精度(ATE),短期精度(Translational and rotational Relative Pose metrics RPE),および固定ハードウェア/ソフトウェアスタック上での更新時間について報告する。 全体として、本研究では正確さとコストのスナップショットを提供し、読者がアプリケーション制約に適合する推定器を選択するのに役立つ。
  論文  参考訳（メタデータ） (2026-05-12T07:31:57Z)
• APML: Adaptive Probabilistic Matching Loss for Robust 3D Point Cloud Reconstruction [16.82777427285544]
  点クラウド予測タスクのためのディープラーニングモデルのトレーニングは、予測点と接地真実点の差を測定する損失関数に大きく依存する。 本稿では,一対一マッチングの完全微分可能近似である適応確率マッチング損失(APML)を提案する。 温度を解析的に計算して最小限の確率を保証し、手動チューニングを除去する。
  論文  参考訳（メタデータ） (2025-09-09T19:31:06Z)
• Targeted Deep Architectures: A TMLE-Based Framework for Robust Causal Inference in Neural Networks [41.07059178065932]
  ネットワークのパラメータ空間に直接、TMLE(Targeted Likelihood Estimation)を直接埋め込む新しいフレームワークであるTDA(Targeted Deep Architectures)を提案する。 TDAはモデルパラメータを分割し、ターゲットの勾配に沿って反復的に更新する。 この手順は、一階偏差を除去し、有効な信頼区間を生成するプラグイン推定を与える。
  論文  参考訳（メタデータ） (2025-07-16T17:24:06Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。