論文の概要: Black-Box Time-Series Domain Adaptation via Cross-Prompt Foundation Models

• arxiv url: http://arxiv.org/abs/2510.00487v1
• Date: Wed, 01 Oct 2025 04:09:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.368618
• Title: Black-Box Time-Series Domain Adaptation via Cross-Prompt Foundation Models
• Title（参考訳）: クロスプロンプト基礎モデルによるブラックボックス時系列領域適応
• Authors: M. T. Furqon, Mahardhika Pratama, Igor Skrjanc, Lin Liu, Habibullah Habibullah, Kutluyil Dogancay,
• Abstract要約: 本稿では,ブラックボックスの時系列領域適応問題に対するCross-Prompt Foundation Model (CPFM) の概念を提案する。 CPFMは、データ分布の異なる特性をキャプチャする独自のプロンプトを各ブランチに備えた二重分岐ネットワーク構造の下で構成される。 我々の実験は、異なるアプリケーションドメインの3つの時系列データセットにおいて、競合他社から顕著なマージンで改善された結果を裏付けるものである。
• 参考スコア（独自算出の注目度）: 13.961316291518024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The black-box domain adaptation (BBDA) topic is developed to address the privacy and security issues where only an application programming interface (API) of the source model is available for domain adaptations. Although the BBDA topic has attracted growing research attentions, existing works mostly target the vision applications and are not directly applicable to the time-series applications possessing unique spatio-temporal characteristics. In addition, none of existing approaches have explored the strength of foundation model for black box time-series domain adaptation (BBTSDA). This paper proposes a concept of Cross-Prompt Foundation Model (CPFM) for the BBTSDA problems. CPFM is constructed under a dual branch network structure where each branch is equipped with a unique prompt to capture different characteristics of data distributions. In the domain adaptation phase, the reconstruction learning phase in the prompt and input levels is developed. All of which are built upon a time-series foundation model to overcome the spatio-temporal dynamic. Our rigorous experiments substantiate the advantage of CPFM achieving improved results with noticeable margins from its competitors in three time-series datasets of different application domains.
• Abstract（参考訳）: ブラックボックスドメイン適応(BBDA)トピックは、ソースモデルのアプリケーションプログラミングインターフェース(API)のみがドメイン適応に利用できる、プライバシとセキュリティの問題に対処するために開発されている。 BBDAのトピックは研究の注目を集めているが、既存の研究は主に視覚アプリケーションをターゲットにしており、ユニークな時空間特性を持つ時系列アプリケーションには直接適用されない。 さらに,既存の手法ではブラックボックス時系列領域適応(BBTSDA)の基礎モデルの強度について検討されていない。 本稿では,BBTSDA問題に対するCross-Prompt Foundation Model(CPFM)の概念を提案する。 CPFMは、データ分布の異なる特性をキャプチャする独自のプロンプトを各ブランチに備えた二重分岐ネットワーク構造の下で構成される。 ドメイン適応フェーズでは、プロンプトレベルと入力レベルにおける再構成学習フェーズが発達する。 これらはすべて、時空間力学を克服するために時系列基盤モデルに基づいて構築されている。 我々の厳密な実験は、異なるアプリケーションドメインの3つの時系列データセットにおいて、競合相手から顕著なマージンで改善された結果を達成するCPFMの利点を裏付けるものである。

関連論文リスト

• RATFM: Retrieval-augmented Time Series Foundation Model for Anomaly Detection [0.6524530902514115]
  テスト時間適応の例を取り入れた検索拡張時系列基礎モデル(RATFM)を提案する。 RATFMはドメイン依存の微調整を回避しつつ、ドメイン内の微調整に匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-06-02T10:25:35Z)
• UniSTD: Towards Unified Spatio-Temporal Learning across Diverse Disciplines [64.84631333071728]
  本稿では,時間的モデリングのためのトランスフォーマーベースの統合フレームワークであるbfUnistageを紹介する。 我々の研究は、タスク固有の視覚テキストが時間学習のための一般化可能なモデルを構築することができることを示した。 また、時間的ダイナミクスを明示的に組み込むための時間的モジュールも導入する。
  論文  参考訳（メタデータ） (2025-03-26T17:33:23Z)
• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• Evidentially Calibrated Source-Free Time-Series Domain Adaptation with Temporal Imputation [38.88779207555418]
  ソースフリードメイン適応(SFDA)は、ラベル付きソースドメインで事前訓練されたモデルを、ソースデータにアクセスせずにラベルなし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。 本稿では, 時系列SFDAの新規かつ効果的なアプローチであるMAsk And imPUte(MAPU)を提案する。 ソフトマックス予測に固有の過信問題に対処するために、明らかな不確実性推定を取り入れたE-MAPUも導入する。
  論文  参考訳（メタデータ） (2024-06-04T05:36:29Z)
• POND: Multi-Source Time Series Domain Adaptation with Information-Aware Prompt Tuning [40.197245493051526]
  時系列ドメイン適応は、多様なアプリケーションにおいて、重要かつ複雑な課題である。 POND(PrOmpt-based domaiN Discrimination)は,時系列ドメイン適応にプロンプトを利用する最初のフレームワークである。 提案するPONDモデルは,F1スコア上での最先端比較手法を最大66%向上させる。
  論文  参考訳（メタデータ） (2023-12-19T15:57:37Z)
• UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series Forecasting [59.11817101030137]
  この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。 効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。 効果的なドメイン間時系列学習のためのUniTimeを提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:30:22Z)
• A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
  ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。 SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。 一般的な3つの分類基準で30以上のSFDA法を比較検討した。
  論文  参考訳（メタデータ） (2023-02-23T06:32:09Z)
• Self-supervised Autoregressive Domain Adaptation for Time Series Data [9.75443057146649]
  教師なしドメイン適応(UDA)は、視覚アプリケーションにおけるドメインシフト問題にうまく対処している。 これらの手法は、以下の理由により時系列データのパフォーマンスが制限される可能性がある。 本稿では,これらの制約に対処するための自己監督型自己回帰ドメイン適応(SLARDA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-29T08:17:23Z)
• Cross-domain Time Series Forecasting with Attention Sharing [10.180248006928107]
  本稿では,データ不足問題に対処する新しいドメイン適応フレームワークであるDomain Adaptation Forecaster(DAF)を提案する。 特に、ドメイン間のドメイン識別器と、個々のドメインに対するプリベートモジュールを備えたアテンションベースの共有モジュールを提案する。 これにより、ドメイン固有の機能をトレーニングしながら、ドメイン不変の潜在機能を生成させることで、ソースとターゲットドメインを共同でトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-02-13T00:26:35Z)

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。