論文の概要: ST-GFM: Spectral-Temporal Graph Forecasting with Measured Perturbation Bounds and Masked Spectral Reconstruction

• arxiv url: http://arxiv.org/abs/2611.03512v1
• Date: Mon, 02 Nov 2026 17:47:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 04:07:24.926631
• Title: ST-GFM: Spectral-Temporal Graph Forecasting with Measured Perturbation Bounds and Masked Spectral Reconstruction
• Title（参考訳）: ST-GFM:計測摂動境界を用いたスペクトル-時間グラフ予測とマスク付きスペクトル再構成
• Abstract要約: センサネットワーク用のグラフ予測器は、ひとつのシステマでトレーニングされ、他のシステマにデプロイされる。 我々は、このスペクトルシフトを演算子チャネルと周波数チャネルに分割し、それぞれを無次元測度で測定した。 作用素チャネルに対して、両方のグラフ枝に対するフロベニウス-ノルム摂動境界を証明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph forecasters for sensor networks are trained in one regime and deployed in others, where sensor coupling and signal frequency content both change. We split this spectral shift into an operator channel and a frequency channel, each with a dimensionless measure. ST-GFM (Spectral-Temporal Graph Forecasting Model) filters every input step with Chebyshev and bidirectional diffusion filters on one learned, non-symmetric operator and alternates them with per-node temporal attention. For the operator channel we prove Frobenius-norm perturbation bounds for both graph branches, show that the Chebyshev bound is attained to first order, and compute its constant from the trained weights and the measured operator norm: 17.9 on METR-LA and 21.5 on PEMS-BAY. Under random edge dropout the trained layer moves by 2.0% to 3.1% of this bound. Masked Spectral Reconstruction (MSR), a self-supervised loss active in the first 40 epochs, matches the log power spectrum of the encoder output to that of the input. For small log-spectral residuals on unclamped bins it is proportional to an Itakura-Saito divergence to leading order. Removing it raises the 60-minute MAE by 0.30 on METR-LA, close to the 0.33 lost when all three self-supervised losses go. Under one shared evaluation pipeline, the 60-minute MAE of ST-GFM is 3.5% below a retrained STAEformer on METR-LA and 13.0% below it on PEMS-BAY. Its 60-minute MAE is 3.0980.017 on METR-LA (five seeds) and 1.5760.006 on PEMS-BAY (three seeds), the lowest PEMS-BAY MAE among twelve published baselines.
• Abstract（参考訳）: センサネットワーク用のグラフ予測器は、ひとつのシステムでトレーニングされ、他のシステムにデプロイされる。 我々は、このスペクトルシフトを演算子チャネルと周波数チャネルに分割し、それぞれを無次元測度で測定した。 ST-GFM (Spectral-Temporal Graph Forecasting Model) は、チェビシェフと双方向拡散フィルタを学習した1つの非対称作用素上でフィルタし、ノード毎の時間的注意で置き換える。 作用素チャネルに対して、両方のグラフ枝に対するフロベニウス-ノルム摂動境界を証明し、チェビシェフ境界が一階に到達し、訓練された重みと測定された作用素ノルムから定数を計算する。 ランダムなエッジのドロップアウトの下で、トレーニングされた層は、この境界の2.0%から3.1%移動する。 Masked Spectral Reconstruction (MSR) は、最初の40エポックでアクティブな自己監督的損失であり、エンコーダ出力のログパワースペクトルと入力の出力のログパワースペクトルを一致させる。 アンクランプされたビン上の小さな対数スペクトル残基は、先行順に板倉-斎藤の発散に比例する。 撤去後、METR-LAで60分のMAEを0.30上昇させ、3つの自己監督的損失が全て負けた0.33に近づいた。 1つの共有評価パイプラインの下では、ST-GFMの60分間のMAEはMETR-LAで再訓練されたSTAEformerより3.5%低く、PEMS-BAYで13.0%低い。 60分間のMAEはMETR-LA(5つの種子)に3.0980.017、PEMS-BAY(3つの種子)に1.5760.006であり、PEMS-BAY MAEは12の出版ベースラインの中で最低である。

関連論文リスト

• Data-driven and physics-guided hindcasting of measured wave spectra [0.0]
  測定波スペクトルの短距離ヒンドキャストを1時間ブイスペクトルで再帰モデルを用いて評価した。 ウェーブハイトスコアは保持周波数帯域を懸念し、独立したステーションへの運用予測と転送は引き続き評価される。
  論文  参考訳（メタデータ） (2026-10-21T07:00:31Z)
• Task-Aware Spectral Pruning: A Mixture-of-Masks Framework for Efficient LLM Inference [6.324418485299426]
  静的プルーニングは全てのプロンプトに1つのスパース構造を課す。 Task-Aware Spectral Pruning (TASP)は、測定されたタスク固有のアブレーション効果に対してモジュールレベルのスペクトル記述子を校正する。
  論文  参考訳（メタデータ） (2026-08-24T14:24:05Z)
• Do Time-Series Foundation Models Pay Off for Industrial Monitoring? A Cost-Aware Empirical Study [1.8419890068150178]
  時系列基礎モデル(TSFM)は再利用可能な表現とゼロショット予測を約束する。 本研究は,3つの設定にまたがってプロトコルを考慮した経験的評価を示す。
  論文  参考訳（メタデータ） (2026-08-24T08:30:06Z)
• Distribution-free false-alarm calibration and chance-corrected spatial evaluation for industrial anomaly detection [2.5273986395975476]
  我々は、分布自由な上限値とペア化された最小交差空間テストを組み合わせる。 我々は,3つのISP-ADモダリティと3つの固定データ分割から120個の点欠陥画像上の3つの検出器を評価する。
  論文  参考訳（メタデータ） (2026-08-15T07:21:05Z)
• Show the Signal, Hide the Noise: Spectral Forcing for Pixel-Space Diffusion [46.51681899437508]
  本稿では,パラメータフリーで時間条件付き2D-DCTローパス演算子であるSpectral Forcingを導入する。 その遮断は拡散時間とともに単調に膨張し、データエンドポイントのアイデンティティとなる。 JiT-700M/32のImageNet-256では、Spectral Forcingは、異なるトレーニングエポック間で、FIDとInception Scoreの両方を一貫して改善している。
  論文  参考訳（メタデータ） (2026-06-13T10:29:11Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Do Masked Autoencoders Improve Downhole Prediction? An Empirical Study on Real Well Drilling Data [41.99844472131922]
  マスキードオートエンコーダ (MAE) プレトレーニングを, 坑井掘削量予測のために評価した。 最良のMAE構成は、教師付きGRUベースラインと比較してテスト平均絶対誤差を19.8%削減する。
  論文  参考訳（メタデータ） (2026-04-21T22:46:42Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)

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。