論文の概要: Out-of-Distribution Generalization in Time Series: A Survey

• arxiv url: http://arxiv.org/abs/2503.13868v1
• Date: Tue, 18 Mar 2025 03:35:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:17:22.850750
• Title: Out-of-Distribution Generalization in Time Series: A Survey
• Title（参考訳）: 時系列におけるアウト・オブ・ディストリビューションの一般化:サーベイ
• Authors: Xin Wu, Fei Teng, Xingwang Li, Ji Zhang, Tianrui Li, Qiang Duan,
• Abstract要約: 時系列はしばしば分布シフト、多彩な潜在特徴、非定常学習ダイナミクスを示す。 これらの特徴は、アウト・オブ・ディストリビューション(OOD)の一般化に重大な課題をもたらす。 本報告では,時系列のOOD一般化手法について概観する。
• 参考スコア（独自算出の注目度）: 19.968769520282123
• License:
• Abstract: Time series frequently manifest distribution shifts, diverse latent features, and non-stationary learning dynamics, particularly in open and evolving environments. These characteristics pose significant challenges for out-of-distribution (OOD) generalization. While substantial progress has been made, a systematic synthesis of advancements remains lacking. To address this gap, we present the first comprehensive review of OOD generalization methodologies for time series, organized to delineate the field's evolutionary trajectory and contemporary research landscape. We organize our analysis across three foundational dimensions: data distribution, representation learning, and OOD evaluation. For each dimension, we present several popular algorithms in detail. Furthermore, we highlight key application scenarios, emphasizing their real-world impact. Finally, we identify persistent challenges and propose future research directions. A detailed summary of the methods reviewed for the generalization of OOD in time series can be accessed at https://tsood-generalization.com.
• Abstract（参考訳）: 時系列は、特にオープンで進化している環境において、分散シフト、様々な潜伏した特徴、非定常学習のダイナミクスを示すことが多い。 これらの特徴は、アウト・オブ・ディストリビューション(OOD)の一般化に重大な課題をもたらす。 かなりの進歩があったが、体系的な進化の合成はいまだに不足している。 このギャップに対処するために、我々は、フィールドの進化軌道と現代研究の展望を説明するために組織された時系列のOOD一般化手法を、初めて包括的にレビューする。 我々は,データ分散,表現学習,OOD評価という3つの基礎的な側面から分析を整理する。 各次元について、我々はいくつかの一般的なアルゴリズムを詳細に提示する。 さらに、重要なアプリケーションシナリオを強調し、実際の影響を強調します。 最後に,永続的な課題を特定し,今後の研究方向性を提案する。 時系列におけるOODの一般化のためにレビューされたメソッドの詳細な概要はhttps://tsood- generalization.com.comで参照することができる。

関連論文リスト

• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• Foundation Models for Time Series Analysis: A Tutorial and Survey [70.43311272903334]
  ファンデーションモデル(FM)は、時系列分析のためのモデル設計のパラダイムを根本的に変えてきた。 本調査は,時系列解析のためのFMの概要を包括的かつ最新のものにすることを目的としている。
  論文  参考訳（メタデータ） (2024-03-21T10:08:37Z)
• Universal Time-Series Representation Learning: A Survey [14.340399848964662]
  時系列データは、現実世界のシステムやサービスのあらゆる部分に存在する。 ディープラーニングは、時系列データから隠れたパターンや特徴を抽出する際、顕著な性能を示した。
  論文  参考訳（メタデータ） (2024-01-08T08:00:04Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• DIVERSIFY: A General Framework for Time Series Out-of-distribution Detection and Generalization [58.704753031608625]
  時系列は、機械学習研究における最も困難なモダリティの1つである。 時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。 時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
  論文  参考訳（メタデータ） (2023-08-04T12:27:11Z)
• Generalized Representations Learning for Time Series Classification [28.230863650758447]
  時間的複雑性は時系列分類における未知の潜在分布に起因していると主張する。 本研究では,ジェスチャー認識,音声コマンド認識,ウェアラブルストレスと感情検出,センサによる人間の活動認識に関する実験を行う。
  論文  参考訳（メタデータ） (2022-09-15T03:36:31Z)
• WOODS: Benchmarks for Out-of-Distribution Generalization in Time Series [9.181035389003759]
  WOODS: さまざまなデータモダリティをカバーする8つのオープンソースの時系列ベンチマークについて紹介する。 我々は、時系列タスクのための既存のOOD一般化アルゴリズムを改訂し、体系的なフレームワークを用いて評価する。 実験の結果,データセット上での経験的リスク最小化とOOD一般化アルゴリズムの改善の余地が広いことがわかった。
  論文  参考訳（メタデータ） (2022-03-18T14:12:54Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• Towards Out-Of-Distribution Generalization: A Survey [46.329995334444156]
  アウト・オブ・ディストリビューションの一般化は、機械学習研究の新たなトピックである。 本論文は,OODの一般化に関する総合的,体系的な最初のレビューである。
  論文  参考訳（メタデータ） (2021-08-31T05:28:42Z)

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。