Fugu-MT 論文翻訳(概要): Online time series prediction using feature adjustment

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

CANet: ChronoAdaptive Network for Enhanced Long-Term Time Series Forecasting under Non-Stationarity [0.0]
本稿では,スタイル転送技術に触発された新しいアーキテクチャであるChoronoAdaptive Network (CANet)を紹介する。 CANetの中核は非定常適応正規化モジュールであり、スタイルブレンディングゲートと適応インスタンス正規化(AdaIN)をシームレスに統合する。実世界のデータセットに関する実験は、CANetが最先端の手法よりも優れていることを検証し、MSEの42%、MAEの22%を達成している。
論文参考訳（メタデータ） (2025-04-24T20:05:33Z)
Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift [51.01356105618118]
時系列はしばしば、季節、動作条件、意味的な意味など、セグメントごとに異なるパターンを持つ複雑な非一様分布を示す。既存のアプローチでは、通常、これらのさまざまなパターンをキャプチャするために単一のモデルをトレーニングするが、しばしばパッチ間のパターンのドリフトに苦労する。より正確で適応可能な時系列予測にパターン特化の専門家を活用する新しいアーキテクチャであるTFPSを提案する。
論文参考訳（メタデータ） (2024-10-13T13:35:29Z)
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)
Online Test-Time Adaptation of Spatial-Temporal Traffic Flow Forecasting [13.770733370640565]
本稿では,時空間交通流予測問題に対するオンラインテスト時間適応手法の最初の研究を行う。本稿では,直列分解法(ADCSD)による適応二重補正法を提案する。提案手法では,テストフェーズ中にトレーニングされたモデル全体を微調整する代わりに,トレーニングされたモデルの後,ライトネットワークをアタッチし,データ入力が観測されるたびに,ライトネットワークのみをテストプロセスで微調整する。
論文参考訳（メタデータ） (2024-01-08T12:04:39Z)
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)
TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
論文参考訳（メタデータ） (2023-10-02T16:45:19Z)
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)
Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2022-05-16T07:53:42Z)
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。