KITE: 知識注入型時間エンコーダによる時系列イベント予測

- 多変量時系列における稀で高コストなイベント予測のための **KITE** という **Knowledge-Injected Temporal Encoder** を提案。 - ラベルが乏しい状況で、エンジニアが持つ事前知識を **semantic prior** として自己教師あり予測器に注入する。 - 注入機構は **covariate mechanism** と **attention-bias mechanism** の2つで切替可能。 - 各機構は null で identity となり、単一アーキテクチャで全 prior タイプに対応、データセット毎の探索不要。

- 純粋なデータ駆動モデルは前兆が稀なため学習材料が乏しいという問題に対し、ラベルに無い知識を **semantic prior** として注入する点が新しい。 - 従来はデータセット毎にアーキテクチャ探索が必要だったが、KITE は切替可能な機構で単一アーキテクチャのまま多様な prior を扱える。 - 短い文脈では有益な prior が no-prior を上回り、periodicity clock で +14%、conservation residual で +47% (label fraction 0.25) を達成。 - 有効な prior は out-of-domain でも +53% 転移し、feature transfer を代替。一方、窓が既に回復する prior は不活性で、attention-bias 機構は測定可能な利得なし。

- **semantic prior** を自己教師ありイベント予測器に注入する。 - 2つの切替可能な機構: **covariate mechanism** と **attention-bias mechanism**。 - 各機構は null で identity となり、prior タイプに依らず同一アーキテクチャで対応。 - prior は観測窓に既に含まれない情報を供給する時に有効。 - 詳細な数式や実装は要旨からは不明。

- 短い文脈で有益な prior が no-prior を上回ることを検証。 - **periodicity clock** で pooled h-AUROC +14% (p<0.001)。 - **conservation residual** で +47% (label fraction 0.25)。 - 有効な prior が out-of-domain で +53% 転移し、feature transfer を代替することを確認。 - 窓が既に回復する prior は不活性、**attention-bias mechanism** は測定可能な利得なし。 - 具体的なデータセット名や実験設定は要旨からは不明。

- prior が有効なのは観測窓に無い情報を供給する場合に限られる。 - 窓が既に回復する prior は不活性で、**attention-bias mechanism** は利得が測定されない。 - KITE は切替可能で帰属可能な文脈条件付けへの経路であり、 governing structure を明示的に持つ cross-domain, pretrained time-series foundation world models へのスケーリングの基盤となる。 - 限界や今後の課題の詳細は要旨からは不明。

- 要旨で参照/比較されている研究: 明示的な参照は無い。 - 関連手法として **self-supervised event forecaster**、**covariate mechanism**、**attention-bias mechanism**、**feature transfer**、**time-series foundation world models** が挙げられる。 - 同分野の定番として **multivariate time-series forecasting**、**rare event forecasting**、**self-supervised learning** の関連論文を読むと良い。