論文の概要: Online time series prediction using feature adjustment

• arxiv url: http://arxiv.org/abs/2509.03810v1
• Date: Thu, 04 Sep 2025 01:54:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.014669
• Title: Online time series prediction using feature adjustment
• Title（参考訳）: 特徴調整を用いたオンライン時系列予測
• Authors: Xiannan Huang, Shuhan Qiu, Jiayuan Du, Chao Yang,
• Abstract要約: 時系列予測は、様々な領域において重要な意味を持つ。 時系列オンライン学習手法は2つの主要な側面に焦点を当てている。 本研究は,データに影響を及ぼす潜在因子の変化から分布変化が生じることを示唆する。
• 参考スコア（独自算出の注目度）: 3.07487290622028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting is of significant importance across various domains. However, it faces significant challenges due to distribution shift. This issue becomes particularly pronounced in online deployment scenarios where data arrives sequentially, requiring models to adapt continually to evolving patterns. Current time series online learning methods focus on two main aspects: selecting suitable parameters to update (e.g., final layer weights or adapter modules) and devising suitable update strategies (e.g., using recent batches, replay buffers, or averaged gradients). We challenge the conventional parameter selection approach, proposing that distribution shifts stem from changes in underlying latent factors influencing the data. Consequently, updating the feature representations of these latent factors may be more effective. To address the critical problem of delayed feedback in multi-step forecasting (where true values arrive much later than predictions), we introduce ADAPT-Z (Automatic Delta Adjustment via Persistent Tracking in Z-space). ADAPT-Z utilizes an adapter module that leverages current feature representations combined with historical gradient information to enable robust parameter updates despite the delay. Extensive experiments demonstrate that our method consistently outperforms standard base models without adaptation and surpasses state-of-the-art online learning approaches across multiple datasets. The code is available at https://github.com/xiannanhuang/ADAPT-Z.
• Abstract（参考訳）: 時系列予測は、様々な領域において重要な意味を持つ。 しかし、流通のシフトによって大きな課題に直面している。 この問題は、データが順次到着するオンラインデプロイメントシナリオでは特に顕著になり、モデルが進化するパターンに継続的に適応する必要がある。 現在の時系列オンライン学習方法は、更新に適したパラメータ(最終レイヤの重みやアダプタモジュールなど)を選択することと、更新戦略(最近のバッチ、リプレイバッファ、平均勾配など)を考案する、という2つの主な側面に重点を置いている。 我々は従来のパラメータ選択手法に挑戦し、分散シフトはデータに影響を与える潜在要因の変化に起因することを示唆する。 したがって、これらの潜伏因子の特徴表現を更新することがより効果的である。 多段階予測における遅延フィードバックの致命的な問題に対処するため, ADAPT-Z (Automatic Delta Adjustment via Persistent Tracking in Z-space) を導入する。 ADAPT-Zは、現在の特徴表現と過去の勾配情報を組み合わせたアダプタモジュールを使用して、遅延にもかかわらず堅牢なパラメータ更新を可能にする。 大規模な実験により,本手法は適応のない標準ベースモデルより一貫して優れており,複数のデータセットにまたがる最先端のオンライン学習手法を超越していることが示された。 コードはhttps://github.com/xiannanhuang/ADAPT-Zで公開されている。

関連論文リスト

• TimeSieve: Extracting Temporal Dynamics through Information Bottlenecks [31.10683149519954]
  本稿では,時系列予測モデルTimeSieveを提案する。 提案手法では、ウェーブレット変換を用いて時系列データを前処理し、マルチスケールの特徴を効果的にキャプチャする。 本研究は,時系列予測における課題に対処するためのアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2024-06-07T15:58:12Z)
• 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)
• Online Feature Updates Improve Online (Generalized) Label Shift Adaptation [51.328801874640675]
  オンライン特徴更新を用いたオンラインラベルシフト適応法(OLS-OFU)は,自己教師付き学習を利用して特徴抽出プロセスを洗練する。 アルゴリズムを慎重に設計することで、OLS-OFUは改善された特徴を考慮しつつ、文献の結果に類似したオンライン後悔の収束を維持している。
  論文  参考訳（メタデータ） (2024-02-05T22:03:25Z)
• Domain Adaptation for Time series Transformers using One-step fine-tuning [5.299376333553137]
  トランスフォーマーは、時間的理解の不足、一般化の課題、データシフトの問題など、時系列予測の制限に直面している。 emphOne-stepファインチューニングのアプローチを導入し、ターゲットドメインにソースドメインデータのパーセンテージを追加します。 これは、限られたデータを持つドメインの時系列予測におけるモデルの性能を高めるのに役立つ。
  論文  参考訳（メタデータ） (2024-01-12T11:43:16Z)
• Fast-Slow Test-Time Adaptation for Online Vision-and-Language Navigation [67.18144414660681]
  オンラインビジョン・アンド・ランゲージナビゲーション(VLN)のためのFSTTA(Fast-Slow Test-Time Adaptation)アプローチを提案する。 提案手法は,4つのベンチマークにおいて顕著な性能向上を実現する。
  論文  参考訳（メタデータ） (2023-11-22T07:47:39Z)
• Ti-MAE: Self-Supervised Masked Time Series Autoencoders [16.98069693152999]
  本稿では,Ti-MAEという新しいフレームワークを提案する。 Ti-MAEは、埋め込み時系列データをランダムにマスクアウトし、オートエンコーダを学び、ポイントレベルでそれらを再構築する。 いくつかの公開実世界のデータセットの実験では、マスク付きオートエンコーディングのフレームワークが生データから直接強力な表現を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-01-21T03:20:23Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。