論文の概要: Tackling Time-Series Forecasting Generalization via Mitigating Concept Drift

• arxiv url: http://arxiv.org/abs/2510.14814v1
• Date: Thu, 16 Oct 2025 15:48:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.930367
• Title: Tackling Time-Series Forecasting Generalization via Mitigating Concept Drift
• Title（参考訳）: コンセプトドリフトの緩和による時系列予測一般化への取り組み
• Authors: Zhiyuan Zhao, Haoxin Liu, B. Aditya Prakash,
• Abstract要約: 時系列における分布シフトは,概念のドリフトと時間シフトの2種類に比例する。 そこで我々は,まず時間シフトに対処し,一貫したアプローチでコンセプトドリフトを実現するための手法に依存しないフレームワークであるShifTSを紹介した。
• 参考スコア（独自算出の注目度）: 18.597913113449042
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series forecasting finds broad applications in real-world scenarios. Due to the dynamic nature of time series data, it is important for time-series forecasting models to handle potential distribution shifts over time. In this paper, we initially identify two types of distribution shifts in time series: concept drift and temporal shift. We acknowledge that while existing studies primarily focus on addressing temporal shift issues in time series forecasting, designing proper concept drift methods for time series forecasting has received comparatively less attention. Motivated by the need to address potential concept drift, while conventional concept drift methods via invariant learning face certain challenges in time-series forecasting, we propose a soft attention mechanism that finds invariant patterns from both lookback and horizon time series. Additionally, we emphasize the critical importance of mitigating temporal shifts as a preliminary to addressing concept drift. In this context, we introduce ShifTS, a method-agnostic framework designed to tackle temporal shift first and then concept drift within a unified approach. Extensive experiments demonstrate the efficacy of ShifTS in consistently enhancing the forecasting accuracy of agnostic models across multiple datasets, and outperforming existing concept drift, temporal shift, and combined baselines.
• Abstract（参考訳）: 時系列予測は、現実世界のシナリオにおいて幅広い応用を見出す。 時系列データの動的性質のため、時系列予測モデルでは、時間とともに潜在的分布シフトを扱うことが重要である。 本稿では、まず、時系列における分布シフトの2つのタイプを、概念のドリフトと時間シフトの2つに分類する。 従来の研究では,時系列予測における時間シフト問題に主眼を置いているが,時系列予測のための適切な概念ドリフト手法の設計は比較的注目されていない。 提案手法は, 時系列予測において, 非変動学習による従来の概念ドリフト手法がある種の課題に直面しているのに対して, ルックバックと水平両方の時系列から不変パターンを見つけるソフトアテンション機構を提案する。 さらに,概念の漂流に対処するための予備として,時間シフトを緩和することの重要性を強調した。 この文脈では、まず時間的シフトに対処し、次に一貫したアプローチで概念をドリフトするように設計された、メソッドに依存しないフレームワークであるShifTSを紹介する。 大規模な実験は、複数のデータセットにまたがる非依存モデルの予測精度を一貫して向上させ、既存の概念のドリフト、時間シフト、組み合わせベースラインを上回り、ShifTSの有効性を実証している。

関連論文リスト

• Continuous Evolution Pool: Taming Recurring Concept Drift in Online Time Series Forecasting [58.448663215248565]
  継続的進化プール(Continuous Evolution Pool, CEP)は、異なる概念の予測器のインスタンスを格納するプール機構である。 CEPは、様々な概念の知識を効果的に保持する。 オンライン予測と繰り返し概念のシナリオでは,CEPは予測結果を著しく向上させる。
  論文  参考訳（メタデータ） (2025-05-28T03:27:49Z)
• CORAL: Concept Drift Representation Learning for Co-evolving Time-series [6.4314326272535896]
  概念ドリフトは従来の分析モデルの信頼性と精度に影響を与える。 本稿では,時系列を進化するエコシステムとしてモデル化し,概念ドリフトの表現を学習する手法であるCoRALを提案する。
  論文  参考訳（メタデータ） (2025-01-02T15:09:00Z)
• WormKAN: Are KAN Effective for Identifying and Tracking Concept Drift in Time Series? [6.4314326272535896]
  WormKANはコンセプトを意識したkanベースのモデルで、共同進化する時系列のコンセプトドリフトに対処する。 WormKANはPatch Normalization、Temporal Representation Module、Concept Dynamicsの3つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2024-10-13T23:05:37Z)
• 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)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Understanding Model Drift in a Large Cellular Network [9.323853587087457]
  コンセプトドリフトは、時間の経過とともに機械学習モデルの精度を低下させる。 本稿では,米国における大規模携帯電話ネットワークにおける需要予測の文脈において,大都市圏におけるコンセプトドリフトについて検討する。 概念のドリフトは、主にデータドリフトによって発生し、異なるキーパフォーマンスインジケータ(KPI)、モデル、トレーニングセットサイズ、時間間隔にまたがって現れる。
  論文  参考訳（メタデータ） (2021-09-07T11:57:07Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。