論文の概要: Learning with Calibration: Exploring Test-Time Computing of Spatio-Temporal Forecasting

• arxiv url: http://arxiv.org/abs/2506.00635v1
• Date: Sat, 31 May 2025 16:48:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.380527
• Title: Learning with Calibration: Exploring Test-Time Computing of Spatio-Temporal Forecasting
• Title（参考訳）: キャリブレーションによる学習: 時空間予測におけるテスト時間計算の探索
• Authors: Wei Chen, Yuxuan Liang,
• Abstract要約: 本稿では,S時間予測のための新しいテスト時間計算パラダイム,すなわちキャリブレーションによる学習,ST-TTCを提案する。 本研究の目的は,テストフェーズ中に非定常性に起因する周期的構造バイアスを捕捉し,予測に対するリアルタイムなバイアス補正を行い,精度を向上させることである。
• 参考スコア（独自算出の注目度）: 17.530885640317372
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal forecasting is crucial in many domains, such as transportation, meteorology, and energy. However, real-world scenarios frequently present challenges such as signal anomalies, noise, and distributional shifts. Existing solutions primarily enhance robustness by modifying network architectures or training procedures. Nevertheless, these approaches are computationally intensive and resource-demanding, especially for large-scale applications. In this paper, we explore a novel test-time computing paradigm, namely learning with calibration, ST-TTC, for spatio-temporal forecasting. Through learning with calibration, we aim to capture periodic structural biases arising from non-stationarity during the testing phase and perform real-time bias correction on predictions to improve accuracy. Specifically, we first introduce a spectral-domain calibrator with phase-amplitude modulation to mitigate periodic shift and then propose a flash updating mechanism with a streaming memory queue for efficient test-time computation. ST-TTC effectively bypasses complex training-stage techniques, offering an efficient and generalizable paradigm. Extensive experiments on real-world datasets demonstrate the effectiveness, universality, flexibility and efficiency of our proposed method.
• Abstract（参考訳）: 時空間予測は、輸送、気象学、エネルギーなど多くの領域において重要である。 しかし、現実のシナリオは、信号異常、ノイズ、分散シフトといった課題をしばしば提示する。 既存のソリューションは主にネットワークアーキテクチャの変更やトレーニング手順によって堅牢性を高める。 それにもかかわらず、これらのアプローチは特に大規模アプリケーションにおいて、計算集約的でリソース需要の大きいものである。 本稿では,時空間予測のための新しいテスト時間計算パラダイム,すなわちキャリブレーションによる学習,ST-TTCについて検討する。 キャリブレーションによる学習を通じて、テストフェーズ中に非定常性に起因する周期的構造バイアスを捕捉し、予測に対するリアルタイムなバイアス補正を行い、精度を向上させることを目的とする。 具体的には、まず、周期シフトを緩和するために位相振幅変調を用いたスペクトル領域校正器を導入し、次に、効率的なテスト時間計算のためのストリーミングメモリキューを用いたフラッシュ更新機構を提案する。 ST-TTCは複雑な訓練段階の技術を効果的にバイパスし、効率的で一般化可能なパラダイムを提供する。 実世界のデータセットに対する大規模な実験により,提案手法の有効性,普遍性,柔軟性,効率性が示された。

関連論文リスト

• Rethinking Irregular Time Series Forecasting: A Simple yet Effective Baseline [12.66709671516384]
  我々はこれらの課題に対処するためにAPNと呼ばれる一般的なフレームワークを提案する。 我々は、適応的なパッチ適用を実現するための新しいTAPA(Time-Aware Patch Aggregation)モジュールを設計する。 モデルの有効性を維持しながら、過去の情報を効果的に統合するために、単純なクエリーモジュールを使用します。 複数の実世界のデータセットに対する実験結果から、APNは既存の最先端の手法よりも効率と精度で優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-16T13:42:00Z)
• SONNET: Enhancing Time Delay Estimation by Leveraging Simulated Audio [17.811771707446926]
  学習に基づく手法は、合成データにもとづいても、新しい実世界のデータに基づいてGCC-PHATを著しく上回り得ることを示す。 トレーニングされたモデルであるSONNETは、リアルタイムに実行可能で、多くの実データアプリケーションのために、最初から新しいデータに取り組んでいます。
  論文  参考訳（メタデータ） (2024-11-20T10:23:21Z)
• Asymptotic Analysis of Sample-averaged Q-learning [2.2374171443798034]
  本稿では、サンプル平均Qラーニング(SA-QL)と呼ばれる、時間変化のバッチ平均Qラーニングのためのフレームワークを提案する。 サンプル平均化アルゴリズムの機能的中心極限を軽度条件下で利用し,間隔推定のためのランダムなスケーリング手法を開発した。 この研究は、サンプル平均Q-ラーニングのための統一理論基盤を確立し、効率的なバッチスケジューリングとRLアルゴリズムの統計的推論に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-10-14T17:17:19Z)
• IT$^3$: Idempotent Test-Time Training [95.78053599609044]
  ディープラーニングモデルは、トレーニングデータとテストデータの間の分散シフトのために、現実世界の環境にデプロイする際に苦労することが多い。 Idempotent Test-Time Training (IT$3$) は、現在のテストインスタンスのみを使用して、分散シフトへのオンザフライ適応を可能にする新しいアプローチである。 この結果から,イデオポテンスはドメインやアーキテクチャをまたいで一般化するテスト時間適応の普遍的原理を提供すると考えられる。
  論文  参考訳（メタデータ） (2024-10-05T15:39:51Z)
• C-TPT: Calibrated Test-Time Prompt Tuning for Vision-Language Models via Text Feature Dispersion [54.81141583427542]
  深層学習において,ラベル付きデータを必要としない微調整手法としてテスト時間適応が注目されている。 本稿では,CLIPの固有特性を利用したテスト時プロンプトチューニング時の校正について検討する。 そこで本研究では,C-TPT(Calibrated Test-time Prompt Tuning)という,キャリブレーションの強化によるテスト時間中のプロンプトの最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-03-21T04:08:29Z)
• QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective RAN KPI Forecasting [0.18416014644193066]
  我々は、精度と計算複雑性のトレードオフを最適化するために、QBSDというライブシングルステップ予測手法を紹介した。 QBSDは数千セル以上の実ネットワークRANデータセットで大きな成功を収めています。 その結果,提案手法は主要なアルゴリズムに比べて実行効率が優れていることがわかった。
  論文  参考訳（メタデータ） (2023-06-09T15:59:27Z)
• DELTA: degradation-free fully test-time adaptation [59.74287982885375]
  テスト時間バッチ正規化(BN)や自己学習といった,一般的な適応手法では,2つの好ましくない欠陥が隠されていることがわかった。 まず、テスト時間BNにおける正規化統計は、現在受信されているテストサンプルに完全に影響され、その結果、不正確な推定結果が得られることを明らかにする。 第二に、テスト時間適応中にパラメータ更新が支配的なクラスに偏っていることを示す。
  論文  参考訳（メタデータ） (2023-01-30T15:54:00Z)
• Self-Adaptive Forecasting for Improved Deep Learning on Non-Stationary Time-Series [20.958959332978726]
  SAFは、バックキャストに基づく予測に先立って自己適応段階を統合する」 提案手法は,符号化された表現を進化する分布に効率よく適応させることにより,より優れた一般化を実現する。 時系列データが医療や金融などの非定常性で知られる領域における合成および実世界のデータセットについて、SAFの顕著なメリットを実証する。
  論文  参考訳（メタデータ） (2022-02-04T21:54:10Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
  S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。 本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。 空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-19T04:25:10Z)

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。