論文の概要: Online Kernel Dynamic Mode Decomposition for Streaming Time Series Forecasting with Adaptive Windowing

• arxiv url: http://arxiv.org/abs/2510.15404v1
• Date: Fri, 17 Oct 2025 07:57:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.526183
• Title: Online Kernel Dynamic Mode Decomposition for Streaming Time Series Forecasting with Adaptive Windowing
• Title（参考訳）: 適応ウィンドウによる時系列ストリーミングのためのオンラインカーネル動的モード分割
• Authors: Christopher Salazar, Krithika Manohar, Ashis G. Banerjee,
• Abstract要約: WORK-DMD(Windowed Online Random Kernel Dynamic Mode Decomposition)を導入する。 WORK-DMDはローリングウィンドウ内でシャーマン・モリソンの更新を採用しており、現在のデータのみから進化するダイナミックスへの継続的な適応を可能にしている。 いくつかの領域にわたるベンチマークデータセットの実験は、WORK-DMDがいくつかの最先端のオンライン予測手法よりも高い精度を達成することを示している。
• 参考スコア（独自算出の注目度）: 3.6194446038160315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time forecasting from streaming data poses critical challenges: handling non-stationary dynamics, operating under strict computational limits, and adapting rapidly without catastrophic forgetting. However, many existing approaches face trade-offs between accuracy, adaptability, and efficiency, particularly when deployed in constrained computing environments. We introduce WORK-DMD (Windowed Online Random Kernel Dynamic Mode Decomposition), a method that combines Random Fourier Features with online Dynamic Mode Decomposition to capture nonlinear dynamics through explicit feature mapping, while preserving fixed computational cost and competitive predictive accuracy across evolving data. WORK-DMD employs Sherman-Morrison updates within rolling windows, enabling continuous adaptation to evolving dynamics from only current data, eliminating the need for lengthy training or large storage requirements for historical data. Experiments on benchmark datasets across several domains show that WORK-DMD achieves higher accuracy than several state-of-the-art online forecasting methods, while requiring only a single pass through the data and demonstrating particularly strong performance in short-term forecasting. Our results show that combining kernel evaluations with adaptive matrix updates achieves strong predictive performance with minimal data requirements. This sample efficiency offers a practical alternative to deep learning for streaming forecasting applications.
• Abstract（参考訳）: ストリーミングデータからのリアルタイム予測は、非定常ダイナミクスの処理、厳密な計算制限の下での運用、破滅的な忘れをせずに迅速に適応という、重要な課題を提起する。 しかし、既存の多くのアプローチは、特に制約のある計算環境にデプロイされた場合、精度、適応性、効率のトレードオフに直面している。 WORK-DMD(Windowed Online Random Kernel Dynamic Mode Decomposition)は、ランダムフーリエ特徴とオンライン動的モードデコンポジションを組み合わせて、明示的な特徴マッピングを通じて非線形ダイナミクスをキャプチャする手法である。 WORK-DMDはローリングウィンドウ内でシャーマン・モリソンの更新を採用しており、現在のデータのみから進化するダイナミックスへの継続的な適応を可能にし、履歴データの長いトレーニングや大規模なストレージの必要性を排除している。 いくつかの領域にわたるベンチマークデータセットの実験により、WORK-DMDは、いくつかの最先端のオンライン予測手法よりも高い精度を達成し、一方、1回のパスしか必要とせず、短期予測において特に高い性能を示すことが示された。 この結果から,カーネル評価と適応行列更新を組み合わせることで,データ要求の最小化による高い予測性能が得られることがわかった。 このサンプル効率は、ストリーミング予測アプリケーションのためのディープラーニングの実用的な代替手段を提供する。

関連論文リスト

• Predictive Coding-based Deep Neural Network Fine-tuning for Computationally Efficient Domain Adaptation [5.013248430919224]
  デバイス上でのドメイン適応を効率的に行うためのハイブリッドトレーニング手法を提案する。 この方法は、バックプロパゲーションを使用してオフラインでトレーニングされたディープニューラルネットワークから始まる。 予測符号化はオンライン適応に使用されており、入力データ分布の変化によって失われた精度を復元することができる。
  論文  参考訳（メタデータ） (2025-09-24T16:03:27Z)
• Improving Long-term Autoregressive Spatiotemporal Predictions: A Proof of Concept with Fluid Dynamics [10.71350538032054]
  複雑なシステムでは、エラーの蓄積によって長期的な精度が劣化することが多い。 我々はPushForwardフレームワークを提案する。PushForwardフレームワークは、マルチステップ学習を実現しつつ、ワンステップのトレーニングを継続する。 SPFはモデル予測から補足的データセットを構築し、取得戦略を通じて真実と組み合わせる。
  論文  参考訳（メタデータ） (2025-08-25T23:51:18Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• ODEStream: A Buffer-Free Online Learning Framework with ODE-based Adaptor for Streaming Time Series Forecasting [11.261457967759688]
  ODEStreamはバッファフリーの連続的な学習フレームワークで、データ内の時間的依存関係をキャプチャするための時間的分離レイヤを備えている。 連続したデータ表現を生成し、データストリーミングシナリオにおける動的変更へのシームレスな適応を可能にする。 我々のアプローチは、過去のデータの動的および分布が時間とともにどのように変化するかを学ぶことに集中し、ストリーミングシーケンスの直接処理を容易にする。
  論文  参考訳（メタデータ） (2024-11-11T22:36:33Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
  本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。 最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。 提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
  論文  参考訳（メタデータ） (2021-11-26T18:44:59Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。