論文の概要: Feature-aware Modulation for Learning from Temporal Tabular Data

• arxiv url: http://arxiv.org/abs/2512.03678v1
• Date: Wed, 03 Dec 2025 11:13:12 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:08:53.080773
• Title: Feature-aware Modulation for Learning from Temporal Tabular Data
• Title（参考訳）: 時間的タブラリデータからの学習のための特徴認識変調
• Authors: Hao-Run Cai, Han-Jia Ye,
• Abstract要約: 時間分布シフトは、現実世界のデプロイメントにおいて大きな課題となる。 静的モデルは一般化を保証する固定写像を仮定するが、適応モデルは過渡パターンに過度に適合する。 本稿では,時間的文脈における特徴表現を特徴付ける特徴認識型時間変調機構を提案する。
• 参考スコア（独自算出の注目度）: 47.36022303401642
• License:
• Abstract: While tabular machine learning has achieved remarkable success, temporal distribution shifts pose significant challenges in real-world deployment, as the relationships between features and labels continuously evolve. Static models assume fixed mappings to ensure generalization, whereas adaptive models may overfit to transient patterns, creating a dilemma between robustness and adaptability. In this paper, we analyze key factors essential for constructing an effective dynamic mapping for temporal tabular data. We discover that evolving feature semantics-particularly objective and subjective meanings-introduce concept drift over time. Crucially, we identify that feature transformation strategies are able to mitigate discrepancies in feature representations across temporal stages. Motivated by these insights, we propose a feature-aware temporal modulation mechanism that conditions feature representations on temporal context, modulating statistical properties such as scale and skewness. By aligning feature semantics across time, our approach achieves a lightweight yet powerful adaptation, effectively balancing generalizability and adaptability. Benchmark evaluations validate the effectiveness of our method in handling temporal shifts in tabular data.
• Abstract（参考訳）: 表形式の機械学習は目覚ましい成功を収めているが、時間分布シフトは、機能とラベルの関係が継続的に進化するにつれて、現実世界のデプロイメントにおいて重大な課題を生んでいる。 静的モデルは一般化を保証するために固定写像を仮定するが、適応モデルは過渡的パターンに過度に適合し、堅牢性と適応性の間のジレンマを生み出す。 本稿では,時間表データに有効な動的マッピングを構築する上で重要な要素を解析する。 進化する特徴意味論(特に客観的・主観的意味論)が時間の経過とともに漂流することを発見した。 重要なことは、時間的段階にわたる特徴表現における特徴変換戦略が、特徴変換戦略の相違を緩和することができることである。 これらの知見により,時間的文脈における特徴表現を特徴付ける特徴認識型時間的変調機構を提案し,スケールや歪などの統計特性を変調する。 機能的セマンティクスを時間的に整合させることで、我々のアプローチは軽量で強力な適応を実現し、一般化性と適応性を効果的にバランスさせる。 ベンチマーク評価は,表データの時間的変化を扱う上で,本手法の有効性を検証した。

関連論文リスト

• Learning Time in Static Classifiers [44.358377952850994]
  本稿では,標準フィードフォワード分類器と時間的推論を併用した,シンプルで効果的なフレームワークを提案する。 本稿では, 時間的コヒーレントなトラジェクトリに学習データを構造化するSEQ学習パラダイムを提案する。 我々のアプローチは静的および時間的学習をモジュール的でデータ効率のよい方法でブリッジし、事前抽出された機能の上に単純なものだけを必要とする。
  論文  参考訳（メタデータ） (2025-11-15T18:42:51Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Learning Temporal Saliency for Time Series Forecasting with Cross-Scale Attention [5.992220383989106]
  パッチベースのクロスアテンション機構とマルチスケール処理を組み合わせた,革新的なアーキテクチャであるCrossScaleNetを提案する。 本評価は,時間的塩分濃度検出と予測精度の両方において優れた性能を示す。
  論文  参考訳（メタデータ） (2025-09-26T18:43:51Z)
• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• Robust Multi-Modal Forecasting: Integrating Static and Dynamic Features [0.0]
  時系列予測は様々な応用、特に医療において重要な役割を担っている。 これらのタスクに責任を負うモデルの透明性と説明可能性を保証することは、重要な設定で採用するために不可欠である。 最近の研究は、予測時系列の傾向と特性を理解することに焦点を当てた、双方向透明性に対するトップダウンアプローチを探求している。
  論文  参考訳（メタデータ） (2025-05-21T04:12:12Z)
• Dynamic Perturbed Adaptive Method for Infinite Task-Conflicting Time Series [0.0]
  時系列タスクを、異なる目的の入力出力マッピングとして定式化し、同じ入力が異なる出力を生成する。 そこで本研究では,頻繁なタスクシフトの下で適応性を評価するために,多数の相反するサブタスクを持つ合成データセットを構築した。 本研究では,トランク・ブランチアーキテクチャに基づく動的摂動適応手法を提案する。
  論文  参考訳（メタデータ） (2025-05-17T08:33:57Z)
• Quasi Zigzag Persistence: A Topological Framework for Analyzing Time-Varying Data [0.25322020135765466]
  Quasi Zigzag Persistent Homology (QZPH)は、時間変化データを分析するためのフレームワークである。 静的特徴と動的特徴の両方を異なるスケールでキャプチャする安定な位相不変量を導入する。
  論文  参考訳（メタデータ） (2025-02-22T02:53:26Z)
• Revisiting Dynamic Evaluation: Online Adaptation for Large Language Models [88.47454470043552]
  我々は、動的評価(動的評価)としても知られる、テスト時の言語モデルのパラメータをオンラインで微調整する問題を考察する。 オンライン適応はパラメータを時間的に変化する状態に変換し、メモリを重み付けしたコンテキスト長拡張の形式を提供する。
  論文  参考訳（メタデータ） (2024-03-03T14:03:48Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)

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。