論文の概要: OmniST: Topology-Invariant Spatiotemporal Forecasting with Guaranteed-Coverage Uncertainty at Unseen Sensor Locations
- arxiv url: http://arxiv.org/abs/2611.04256v1
- Date: Tue, 03 Nov 2026 03:48:29 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:23:28.177339
- Title: OmniST: Topology-Invariant Spatiotemporal Forecasting with Guaranteed-Coverage Uncertainty at Unseen Sensor Locations
- Title（参考訳）: OmniST: センサ位置の不確実性を保証したトポロジ不変時空間予測
- Abstract要約: 我々は,ノード数に構造的依存を持たないトポロジ不変の予測器であるOmniSTを提案する。
実際のデリーの大気質のデータでは、OmniSTは31.0 ug/m3の30日間のPM MAE2.5を達成し、40%のステーションを除去すると少なくとも1.1%の劣化率で低下する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Standard spatiotemporal graph convolutional networks need a fixed-size adjacency matrix, coupling model weights to a specific sensor count N; they cannot produce any output at a sensor absent from training. We present OmniST, a topology-invariant forecaster whose computation has zero structural dependency on the number of nodes, and which, composed with inductive split-conformal calibration, gives distribution-free, coverage-guaranteed prediction intervals at arbitrary (including never-seen) sensor locations, preserving that guarantee as sensors are added or removed. Topology invariance follows from coordinate-based tokenization, k-nearest-neighbor attention from geographic coordinates at each forward pass, and per-node temporal processing via a bidirectional GRU. On real Delhi air-quality data (37 stations, 2019-2023), OmniST attains a 30-day PM2.5 MAE of 31.0 ug/m3 and degrades at most 1.1 percent when 40 percent of stations are removed. Its inductive forecasts at unseen stations beat nearest-neighbor interpolation (about 12 percent) and a learned kriging GNN (IGNNK, about 21 percent), and, unlike either, carry a finite-sample coverage guarantee. The guarantee holds at 90 percent or above under 30-50 percent node dropout across four real datasets over three domains (Delhi and Beijing air quality, NOAA GHCN weather, Caltrans PeMSD7-M traffic), and still holds at 325 real sensors (full PeMS-BAY). We also fix a temporal-drift failure: static conformal under-covers over time (about 0.50 late), but a rolling adaptive-conformal estimator restores target coverage (0.89 overall, 0.96 late) at the cost of wider intervals.
- Abstract（参考訳）: 標準時空間グラフ畳み込みネットワークは、一定の大きさの隣接行列、特定のセンサ数Nにモデル重みを結合する必要がある。
我々は,ノード数に構造的依存を持たないトポロジ不変の予測器であるOmniSTについて述べる。これはインダクティブスプリット・コンフォーマル・キャリブレーションによって構成され,任意のセンサ位置(目に見えないものを含む)で分布のない,カバレッジ保証付き予測間隔を与え,センサの追加や削除の保証を保持する。
位相不変性は、座標ベースのトークン化、各前方パスにおける座標座標からのk-アネレス近傍の注意、および双方向GRUによるノード間時間処理から導かれる。
実際のデリーの大気質データ(37局、2019年-2023年)では、OmniSTは30日間のPM2.5 MAEが31.0 ug/m3に達し、40%のステーションを除去すると1.1%低下する。
近辺の補間(約12%)と習熟したGNN(IGNNK、約21%)を上回り、どちらも有限サンプルのカバレッジを保証する。
この保証は、Delhiと北京の大気質、NOAA GHCNの天候、Caltrans PeMSD7-Mのトラフィック)の3つのドメイン上の4つの実際のデータセットにまたがる30〜50%のノードのダウンアウトを90%以上保持し、なお325個の実センサー(完全PeMS-BAY)を保有する。
静的な等角的アンダーカバー(約0.50遅延)を経時的に修正するが、ローリング適応型コンフォーマル推定器は、より広い間隔のコストで目標カバレッジ(0.89全体、0.96遅延)を復元する。
関連論文リスト
- TEMPER: Temporal Encoder-Masked Probabilistic Ensemble Regressor for Time-Series Forecasting [0.0]
本稿では,テンポラルマスク型確率的アンサンブルレグレシタTEMPERについて述べる。
TEMPERは、時間的オートエンコーダ、識別可能なマスク付きニューラルネットワーク決定林、CRPS(Continuous Rank probability score)トレーニング、ガウス混合後処理を組み合わせたものだ。
単純持続性は2.763%であり、TEMPER は t+1 と t+5 で最高中央値の絶対誤差を持つ。
論文 参考訳（メタデータ） (2026-09-20T15:19:13Z) - Compact Visuotactile World Models for Lifting: Prediction, Reward Alignment, and Force Constraints [0.0]
Visuotactile dynamicsは力の作用効果のMAEを0.413Nから0.338Nに減少させる。
モデル支援フィードバックは、ID予算による成功を73.3%から93.3%に引き上げる。
RLは11.9%、リアクティブIQLは25.0%で成功している。
論文 参考訳（メタデータ） (2026-09-09T01:50:54Z) - When Time Meets Space: Entropy Integration and Dynamic Threshold for Adaptive DDoS Detection in SDN [24.48377951509124]
本稿では、DDoS攻撃のための軽量時間エントロピー検出器を提案する。
ウィンドウ毎に3.95ミリ秒のコア処理と11.65%のシステム全体のCPUデプロイを必要とする。
論文 参考訳（メタデータ） (2026-08-16T09:17:05Z) - OmniPMNet: Bridging discrete and gridded PM10 forecasts via omni-query neural processes [4.503467149812089]
予測粒子状物質(PM10)は、ステーションスケールの精度と連続した空間場を必要とする。
本稿では,コンボリューショナル・コンボリューショナル・ニューラル・プロセス(ConvCNP)に基づく融合モデルであるOmniPM-Netについて述べる。
OmniPM-Netは、2024年の全年にわたって、中国全土の1,618の大気質監視局で評価され、より強力なGNNベースラインのステーションレベルの精度と一致する。
論文 参考訳（メタデータ） (2026-06-12T12:09:49Z) - Online Shift Detection and Conformal Adaptation for Deployed Safety Classifiers [0.0]
デプロイされた安全分類器における分散シフトのオンラインモニタリングシステムを提案する。
検出後、共形吸収層は、目標誤差を回復する決定に適応する。
このシステムは平均遅延39.5800ステップで86.6%の検知を実現している。
論文 参考訳（メタデータ） (2026-06-10T11:24:25Z) - Uncertainty-Aware Graph Neural Reconstruction of Urban Temperature Fields from Sparse Sensors under Deployment Constraints [0.0]
本研究では,スパースセンサから日次最大温度場を再構築するための不確実性対応グラフニューラルネットワーク(GNN)フレームワークを提案する。
このフレームワークはデイメット v4.1 の日温データ (1 km 分解能) を用いてモントリオールのポリゴン上で厳密な時間保持プロトコルで評価される。
センサ予算(10～40センサー)全体にわたって、提案したGNNは、逆距離重み付けと通常のリグよりも一貫して優れている。
論文 参考訳（メタデータ） (2026-06-01T10:28:23Z) - ARC-STAR: Auditable Post-Hoc Correction for PDE Foundation Models [47.9430487327673]
ARC-STARは修正を3段階にまとめる: グローバルな修正器は広い解法バイアスを除去し、ブロックワイドな局所精錬器はポストグロバル残差を浄化し、展開時にはラベルフリースコアは計算予算の下でハイリスクなブロックに精算する。
ARC-STARは、全ての細胞で生ポセイドンよりも少なくとも36倍の速度ロールアウト誤差を減少させる唯一の方法である。
論文 参考訳（メタデータ） (2026-05-21T09:26:16Z) - 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) - Conformal Prediction-Driven Adaptive Sampling for Digital Twins of Water Distribution Networks [0.0]
配水ネットワーク(WDN)のためのDigital Twins (DT)は、限られたセンサーで正確な状態推定を必要とする。
本稿では,LSTM予測と Conformal Prediction (CP) を組み合わせた適応的フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-06T09:43:34Z) - Urban 3D Change Detection Using LiDAR Sensor for HD Map Maintenance and Smart Mobility [26.712098856567888]
都市規模LiDARのための物体中心型不確実性認識パイプラインを提案する。
これはエポックを多分解能NDTと整列し、次に点対平面ICP、高さを正規化し、位置検出レベルを導出する。
15代表のスービアコでは95.2%の精度、90.4%のmF1、82.6%のmIoUがトリプルトKPConvを超える精度、0.2のmF1、0.8のmIoUがブロックされ、IoUが74.8%に達し、7.6ポイント改善された。
論文 参考訳（メタデータ） (2025-10-24T02:59:55Z) - Forking-Sequences [33.62694927994466]
精度の高いモデルでさえ、予測作成日の間に不規則な修正を発生させることができる。
MQCNN、MQT、SPADEといったモデルは、あまり知られていないが、非常に効果的なテクニックであるフォークシーケンスを採用しています。
フォーキングシーケンスの利点として, (i) より安定かつ一貫した勾配更新, (ii) アンサンブルによる予測分散の低減, (iii) 推論効率の向上, の3つを挙げる。
論文 参考訳（メタデータ） (2025-10-06T04:51:06Z)
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。