論文の概要: Self-Supervised Latent Action-Conditioned World Modeling for Time Series

• arxiv url: http://arxiv.org/abs/2610.37963v1
• Date: Tue, 27 Oct 2026 20:49:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.331867
• Title: Self-Supervised Latent Action-Conditioned World Modeling for Time Series
• Title（参考訳）: 時系列の自己監督型潜在行動記述型世界モデリング
• Abstract要約: 時系列データは、天気予報、Webトラフィック分析、音声認識など、様々なタスクにおいて重要な役割を果たす。 近年,JEPA(Joint-Embedding Predictive Architecture)をベースとしたエンコーダによる時系列表現の学習が盛んに行われている。 本稿では、時系列分析のための自己教師付き潜在行動条件付き世界モデルであるACTS-WMを提案する。
• 参考スコア（独自算出の注目度）: 11.214413269784016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series data play an important role in various tasks, such as weather forecasting, web traffic analysis, and speech recognition. Recently, pioneering studies have increasingly adopted Joint-Embedding Predictive Architecture (JEPA) based encoders to learn time-series representations through latent-space prediction. However, they often overlook the underlying factors governing transitions between time-series observations. In this work, we hypothesize that explicitly modeling the information behind changes in time series can facilitate time-series modeling. Building on this hypothesis, we propose ACTS-WM, a self-supervised latent action-conditioned world model framework for time-series analysis. First, we introduce a latent action modeling approach that infers the underlying information behind time-series transitions as latent actions, without requiring explicit action annotations. We then develop a JEPA-based encoder and an action-conditioned world model to predict target time-series representations conditioned on the learned latent actions and task information. We evaluate ACTS-WM across 4 representative tasks on 22 datasets from diverse domains, covering univariate and multivariate forecasting and classification. Comprehensive experiments demonstrate that ACTS-WM can improve downstream performance over pretrained JEPA-based encoders by learning complementary representations.
• Abstract（参考訳）: 時系列データは、天気予報、Webトラフィック分析、音声認識など、様々なタスクにおいて重要な役割を果たす。 近年,JEPA(Joint-Embedding Predictive Architecture)をベースとしたエンコーダを,潜時空間予測を通じて時系列表現を学習するための先駆的な研究が増えている。 しかし、彼らはしばしば時系列観測間の遷移を規定する根本的な要因を見落としている。 本研究では,時系列における変化の背景にある情報を明示的にモデル化することで,時系列モデリングが容易になるという仮説を立てる。 この仮説に基づいて、時系列解析のための自己教師付き潜在行動条件付き世界モデルであるACTS-WMを提案する。 まず、明示的なアクションアノテーションを必要とせず、時系列遷移の背後にある情報を潜時アクションとして推論する潜時アクションモデリング手法を提案する。 次に、JEPAベースのエンコーダとアクション条件付き世界モデルを開発し、学習された潜在行動とタスク情報に基づいて目標時系列表現を予測する。 多様な領域から得られた22のデータセットの4つの代表的なタスクにまたがってACTS-WMを評価し,一変量および多変量予測と分類を行った。 総合的な実験により、ACTS-WMは相補表現を学習することで、事前訓練されたJEPAベースのエンコーダよりも下流のパフォーマンスを向上させることができることが示された。

関連論文リスト

• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• TimeCAP: Learning to Contextualize, Augment, and Predict Time Series Events with Large Language Model Agents [52.13094810313054]
  TimeCAPは、時系列データのコンテキスト化ツールとしてLarge Language Models(LLM)を創造的に利用する時系列処理フレームワークである。 TimeCAPには2つの独立したLCMエージェントが組み込まれており、1つは時系列のコンテキストをキャプチャするテキスト要約を生成し、もう1つはより情報のある予測を行うためにこのリッチな要約を使用する。 実世界のデータセットによる実験結果から,TimeCAPは時系列イベント予測の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-17T04:17:27Z)
• Multi-Patch Prediction: Adapting LLMs for Time Series Representation Learning [22.28251586213348]
  aLLM4TSは、時系列表現学習にLarge Language Models(LLM)を適用する革新的なフレームワークである。 われわれのフレームワークの特筆すべき要素はパッチワイドデコーディング層である。
  論文  参考訳（メタデータ） (2024-02-07T13:51:26Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
  時系列予測は多くの実世界の力学系において重要な意味を持つ。 時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
  論文  参考訳（メタデータ） (2023-10-03T01:31:25Z)
• TimeTuner: Diagnosing Time Representations for Time-Series Forecasting with Counterfactual Explanations [3.8357850372472915]
  本稿では,モデル行動が局所化,定常性,時系列表現の相関とどのように関連しているかをアナリストが理解するために,新しいビジュアル分析フレームワークであるTimeTunerを提案する。 TimeTunerは時系列表現を特徴付けるのに役立ち、機能エンジニアリングのプロセスを導くのに役立ちます。
  論文  参考訳（メタデータ） (2023-07-19T11:40:15Z)

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。