Fugu-MT 論文翻訳(概要): Time-Series Forecasting for Out-of-Distribution Generalization Using Invariant Learning

論文の概要: Time-Series Forecasting for Out-of-Distribution Generalization Using Invariant Learning

arxiv url: http://arxiv.org/abs/2406.09130v1
Date: Thu, 13 Jun 2024 14:01:34 GMT
ステータス: 処理完了
システム内更新日: 2024-06-14 17:44:14.884077
Title: Time-Series Forecasting for Out-of-Distribution Generalization Using Invariant Learning
Title（参考訳）: 不変学習を用いたアウト・オブ・ディストリビューション一般化のための時系列予測
Authors: Haoxin Liu, Harshavardhan Kamarthi, Lingkai Kong, Zhiyuan Zhao, Chao Zhang, B. Aditya Prakash,
Abstract要約: 時系列予測(TSF)は、現実世界のシナリオにおいて幅広い応用を見出す。本稿では,TSFにおける固有のOOD問題を不変学習を用いて緩和することを目的とする。 Invariant Learning によるアウト・オブ・ディストリビューションの一般化のための時系列予測を可能にするモデルに依存しないフレームワーク FOIL を提案する。
参考スコア（独自算出の注目度）: 33.68869067717862
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time-series forecasting (TSF) finds broad applications in real-world scenarios. Due to the dynamic nature of time-series data, it is crucial to equip TSF models with out-of-distribution (OOD) generalization abilities, as historical training data and future test data can have different distributions. In this paper, we aim to alleviate the inherent OOD problem in TSF via invariant learning. We identify fundamental challenges of invariant learning for TSF. First, the target variables in TSF may not be sufficiently determined by the input due to unobserved core variables in TSF, breaking the conventional assumption of invariant learning. Second, time-series datasets lack adequate environment labels, while existing environmental inference methods are not suitable for TSF. To address these challenges, we propose FOIL, a model-agnostic framework that enables timeseries Forecasting for Out-of-distribution generalization via Invariant Learning. FOIL employs a novel surrogate loss to mitigate the impact of unobserved variables. Further, FOIL implements a joint optimization by alternately inferring environments effectively with a multi-head network while preserving the temporal adjacency structure, and learning invariant representations across inferred environments for OOD generalized TSF. We demonstrate that the proposed FOIL significantly improves the performance of various TSF models, achieving gains of up to 85%.
Abstract（参考訳）: 時系列予測(TSF)は、現実世界のシナリオにおいて幅広い応用を見出す。時系列データの動的な性質から、過去のトレーニングデータと将来のテストデータが異なる分布を持つため、アウト・オブ・ディストリビューション(OOD)の一般化能力を備えたTSFモデルを装備することが重要である。本稿では,TSFにおける固有のOOD問題を不変学習を用いて緩和することを目的とする。 TSFにおける不変学習の基本課題を明らかにする。第一に、TSFのターゲット変数は、TSFの観測されていないコア変数による入力によって十分に決定されない可能性があり、従来の不変学習の仮定を破る。第2に、時系列データセットは適切な環境ラベルを欠いているが、既存の環境推論手法はTLFには適していない。これらの課題に対処するために、不変学習によるアウト・オブ・ディストリビューションの一般化のための時系列予測を可能にするモデルに依存しないフレームワークFOILを提案する。 FOILは、観測されていない変数の影響を軽減するために、新しい代理損失を用いる。さらに、FOILは、時間的隣接構造を保ちつつ、マルチヘッドネットワークで環境を効果的に推論し、OOD一般化TSFの推論環境全体にわたる不変表現を学習することにより、共同最適化を実現する。提案するFOILは,様々なTSFモデルの性能を著しく向上し,最大85%のゲインを達成できることを示す。

関連論文リスト

Is Precise Recovery Necessary? A Task-Oriented Imputation Approach for Time Series Forecasting on Variable Subset [27.180618587832463]
時系列予測のための可変サブセット予測のためのタスク指向インプット(TOI-VSF)を提案する。 TOI-VSFは、不足変数を補うように設計された予測モデルに依存しない自己教師型計算モジュールを組み込んでいる。 4つのデータセットにわたる大規模な実験は、TOI-VSFの優位性を示し、ベースラインメソッドを平均15%以上上回っている。
論文参考訳（メタデータ） (2024-11-15T04:00:54Z)
Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
論文参考訳（メタデータ） (2024-03-31T17:18:57Z)
Test-Time Domain Generalization for Face Anti-Spoofing [60.94384914275116]
Face Anti-Spoofing (FAS) は、顔認識システムをプレゼンテーション攻撃から保護するために重要である。本稿では,テストデータを活用してモデルの一般化性を高める新しいテスト時間領域一般化フレームワークについて紹介する。テスト時間スタイル投影 (TTSP) とディバーススタイルシフトシミュレーション (DSSS) によって構成された本手法は, 目に見えないデータを領域空間に効果的に投影する。
論文参考訳（メタデータ） (2024-03-28T11:50:23Z)
Unified Source-Free Domain Adaptation [44.95240684589647]
ソーストレーニングデータにアクセスせずにソースモデルをターゲットドメインに転送する目的で、Source-Free Domain Adaptation (SFDA)が広く研究されている。我々はLCFD(Latent Causal Factors Discovery)と呼ばれる新しい手法を提案する。現実の統計的記述の学習を強調する従来の代替手段とは対照的に、因果性の観点からLCFDを定式化する。
論文参考訳（メタデータ） (2024-03-12T12:40:08Z)
CLeaRForecast: Contrastive Learning of High-Purity Representations for Time Series Forecasting [2.5816901096123863]
時系列予測(TSF)は現代社会において重要であり、多くの領域にまたがっている。従来の表現学習に基づくTSFアルゴリズムは、典型的には、分離された傾向周期表現を特徴とする対照的な学習パラダイムを取り入れている。 CLeaRForecastは,高純度時系列表現をサンプル,特徴量,アーキテクチャ浄化手法を用いて学習するための,新しいコントラスト学習フレームワークである。
論文参考訳（メタデータ） (2023-12-10T04:37:43Z)
Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文参考訳（メタデータ） (2023-08-03T07:45:53Z)
Learning Informative Representation for Fairness-aware Multivariate Time-series Forecasting: A Group-based Perspective [50.093280002375984]
多変量時系列予測モデル(MTS)では変数間の性能不公平性が広く存在する。フェアネスを意識したMTS予測のための新しいフレームワークであるFairForを提案する。
論文参考訳（メタデータ） (2023-01-27T04:54:12Z)
Multi-Variate Time Series Forecasting on Variable Subsets [18.883419091780265]
長期データ損失や、列車/テスト間の低リソース領域シフトのため、推論中に変数が欠落する。本稿では,既存の予測モデル上で適用可能な非パラメトリックラッパー手法を提案する。本手法は,元の変数の15%しか存在しない場合でも,モデルの95%に近い性能を回復可能であることを示す。
論文参考訳（メタデータ） (2022-06-25T11:31:30Z)
Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文参考訳（メタデータ） (2021-10-24T07:58:13Z)
Exploring Complementary Strengths of Invariant and Equivariant Representations for Few-Shot Learning [96.75889543560497]
多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
論文参考訳（メタデータ） (2021-03-01T21:14:33Z)

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。