論文の概要: Deciphering Invariant Feature Decoupling in Source-free Time Series Forecasting with Proxy Denoising

• arxiv url: http://arxiv.org/abs/2510.05589v1
• Date: Tue, 07 Oct 2025 05:29:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.111623
• Title: Deciphering Invariant Feature Decoupling in Source-free Time Series Forecasting with Proxy Denoising
• Title（参考訳）: Proxy Denoising を用いたソースフリー時系列予測における不変特徴デカップリングの解読
• Authors: Kangjia Yan, Chenxi Liu, Hao Miao, Xinle Wu, Yan Zhao, Chenjuan Guo, Bin Yang,
• Abstract要約: TimePDは、プロキシを飾るソースフリーの時系列予測フレームワークである。 実世界のデータセットに関する大規模な実験は、TimePDの有効性についての洞察を提供する。
• 参考スコア（独自算出の注目度）: 18.997461947153496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The proliferation of mobile devices generates a massive volume of time series across various domains, where effective time series forecasting enables a variety of real-world applications. This study focuses on a new problem of source-free domain adaptation for time series forecasting. It aims to adapt a pretrained model from sufficient source time series to the sparse target time series domain without access to the source data, embracing data protection regulations. To achieve this, we propose TimePD, the first source-free time series forecasting framework with proxy denoising, where large language models (LLMs) are employed to benefit from their generalization capabilities. Specifically, TimePD consists of three key components: (1) dual-branch invariant disentangled feature learning that enforces representation- and gradient-wise invariance by means of season-trend decomposition; (2) lightweight, parameter-free proxy denoising that dynamically calibrates systematic biases of LLMs; and (3) knowledge distillation that bidirectionally aligns the denoised prediction and the original target prediction. Extensive experiments on real-world datasets offer insight into the effectiveness of the proposed TimePD, outperforming SOTA baselines by 9.3% on average.
• Abstract（参考訳）: モバイルデバイスの普及により、様々な領域にわたる膨大な時系列が生成され、効率的な時系列予測は様々な現実世界のアプリケーションを可能にする。 本研究は、時系列予測のためのソースフリードメイン適応の新しい問題に焦点を当てる。 ソースデータにアクセスせずに、十分なソース時系列からスパースターゲット時系列ドメインに事前訓練されたモデルを適用することを目的としており、データ保護規則に準拠している。 これを実現するために,大規模な言語モデル (LLM) が一般化能力の恩恵を受けるために使用される,プロキシを記述した最初のソースフリー時系列予測フレームワークである TimePD を提案する。 具体的には,(1)季節差分解による表現的・勾配的不変性を強制する二重分岐不変な特徴学習,(2)LLMの系統的バイアスを動的に校正する軽量でパラメータフリーなプロキシ認知,(3)認知された予測と本来の目標予測を双方向に整列する知識蒸留という3つの重要な要素から構成される。 実世界のデータセットに関する大規模な実験は、提案されたTimePDの有効性についての洞察を与え、SOTAベースラインを平均9.3%上回っている。

関連論文リスト

• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Univariate to Multivariate: LLMs as Zero-Shot Predictors for Time-Series Forecasting [6.100075022678881]
  時系列予測や予測は多くの実世界の動的システムにおいて重要である。 近年,この課題にLarge Language Models (LLM) を用いることが提案されている。 時系列列をテキストに変換してLLMに送ってゼロショット予測を行うことにより,LLMに基づく時系列予測を向上するLLMPredを提案する。
  論文  参考訳（メタデータ） (2025-06-03T03:02:47Z)
• LangTime: A Language-Guided Unified Model for Time Series Forecasting with Proximal Policy Optimization [3.1819993716919472]
  LangTimeは、時系列予測のための言語誘導統合モデルである。 TimePPOは強化学習に基づく微調整アルゴリズムである。
  論文  参考訳（メタデータ） (2025-03-11T10:40:39Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)

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。