#timeseries

4 記事

01 ·時系列データ系·★ 会員·論文·11分で読めます 論文解説: PointWAM — 世界を「場面」と「手」の3D点の軌跡に分けて予測し、人間の動画からロボットの器用な手を学ぶ PointWAM: 3D World Action Modeling for Dexterous Robotic Manipulation 世界を「場面の点」と「手のキーポイント」に分け、両方の未来の3D軌跡を同じ座標系で予測してから、手の軌跡をロボットの動作に変換するPointWAM。人間の動画115万エピソードで事前学習し、DexJoCoの平均成功率を12.1%から69.0%へ引き上げた設計を、論文本文に沿って1から解説する。 02 ·時系列データ系·★ 会員·論文·15分で読めます 論文解説: WearableQA — 実ユーザー500日分のウェアラブル記録でLLMの「健康推論」を測る WearableQA: A Benchmark for Health Reasoning over Real-World Wearable Data 200人の実ユーザー・最長500日の日次ウェアラブル記録と血液検査から作った4,084問の10択ベンチマーク。「知識で答える」と「数列から読み取る」を分けて測ると、14モデルの正答率は19.6%〜72.9%まで割れ、Python実行を許すだけで20ポイント上がる。論文本文に沿って、問題の作り方と結果の読み方を1から解説する。 03 ·時系列データ系·無料·12分で読めます 時系列予測を1から解説 — 古典手法から基盤モデルまで 時系列予測が普通の回帰と決定的に違うのは、行が独立でないことと、テストが必ず未来側にあることです。自己相関と定常性から入り、ARIMAの直感、季節とトレンドの分解、深層モデルと時系列基盤モデルの位置づけまで。最後に、実務で最も事故が多い「評価」——ランダム分割の禁止、バックテストの作法、MAPEの罠を厚く扱います。 04 ·時系列データ系·無料·13分で読めます RNNとLSTMを1から理解する — Transformer時代になぜ学ぶのか 系列を「状態を持って1つずつ読む」という発想から出発し、同じ行列を何度も掛けることがなぜ勾配を消すのか、LSTMの3つのゲートが何を解いたのかを式と動く図で追います。Transformerに置き換わった理由と、それでもこの再帰の考え方が生き残る場所まで。