Fugu-MT 論文翻訳(概要): Temp-SCONE: A Novel Out-of-Distribution Detection and Domain Generalization Framework for Wild Data with Temporal Shift

論文の概要: Temp-SCONE: A Novel Out-of-Distribution Detection and Domain Generalization Framework for Wild Data with Temporal Shift

arxiv url: http://arxiv.org/abs/2512.04571v1
Date: Thu, 04 Dec 2025 08:35:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-05 21:11:46.074016
Title: Temp-SCONE: A Novel Out-of-Distribution Detection and Domain Generalization Framework for Wild Data with Temporal Shift
Title（参考訳）: Temp-SCONE: 時間シフトを伴う野生データのための新しいアウト・オブ・ディストリビューション検出とドメイン一般化フレームワーク
Authors: Aditi Naiknaware, Sanchit Singh, Hajar Homayouni, Salimeh Sekeh,
Abstract要約: 本研究では,動的環境における時間変化を処理するために,時間的に一貫したSCONE拡張であるTemp-SCONEを提案する。動的データセットの実験により、Temp-SCONEは時間的ドリフト下で著しく改善することが示された。時間的安定性と一般化誤差に関する理論的考察により、Temp-SCONEは信頼性OWLへのステップとしてさらに確立される。
参考スコア（独自算出の注目度）: 0.0874967598360817
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Open-world learning (OWL) requires models that can adapt to evolving environments while reliably detecting out-of-distribution (OOD) inputs. Existing approaches, such as SCONE, achieve robustness to covariate and semantic shifts but assume static environments, leading to degraded performance in dynamic domains. In this paper, we propose Temp-SCONE, a temporally consistent extension of SCONE designed to handle temporal shifts in dynamic environments. Temp-SCONE introduces a confidence-driven regularization loss based on Average Thresholded Confidence (ATC), penalizing instability in predictions across time steps while preserving SCONE's energy-margin separation. Experiments on dynamic datasets demonstrate that Temp-SCONE significantly improves robustness under temporal drift, yielding higher corrupted-data accuracy and more reliable OOD detection compared to SCONE. On distinct datasets without temporal continuity, Temp-SCONE maintains comparable performance, highlighting the importance and limitations of temporal regularization. Our theoretical insights on temporal stability and generalization error further establish Temp-SCONE as a step toward reliable OWL in evolving dynamic environments.
Abstract（参考訳）: オープンワールドラーニング(OWL)は、進化する環境に適応できると同時に、アウト・オブ・ディストリビューション(OOD)の入力を確実に検出できるモデルを必要とする。 SCONEのような既存のアプローチは、共変量やセマンティックシフトに対して堅牢性を実現するが、静的環境を前提とすることで、動的ドメインのパフォーマンスが低下する。本稿では,動的環境における時間変化を処理するために,時間的に一貫したSCONE拡張であるTemp-SCONEを提案する。 Temp-SCONEは、平均閾値信頼度(ATC)に基づく信頼性駆動の正則化損失を導入し、SCONEのエネルギーマージン分離を保ちながら、時間ステップにわたって予測の不安定性を罰する。動的データセットの実験により、Temp-SCONEは時間的ドリフト下でのロバスト性を大幅に向上し、データ精度が向上し、SCONEよりも信頼性の高いOOD検出が得られることが示された。時間的連続性のない異なるデータセットでは、Temp-SCONEは同等のパフォーマンスを維持し、時間的正規化の重要性と制限を強調している。時間的安定性と一般化誤差に関する理論的考察により、進化する動的環境における信頼性OWLへのステップとして、Temp-SCONEがさらに確立される。

関連論文リスト

Feature-aware Modulation for Learning from Temporal Tabular Data [47.36022303401642]
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。
論文参考訳（メタデータ） (2025-12-03T11:13:12Z)
EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting [50.794700596484894]
IntroPE(Entropy-Guided Dynamic Patch)は,条件付きエントロピーによる遷移点を動的に検出する新しい時間情報フレームワークである。これは、パッチの計算上の利点を維持しながら、時間構造を保存する。長期予測ベンチマークによる実験では、EntroPEは精度と効率の両方を改善している。
論文参考訳（メタデータ） (2025-09-30T12:09:56Z)
TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
論文参考訳（メタデータ） (2025-09-23T23:05:40Z)
CALM: A Framework for Continuous, Adaptive, and LLM-Mediated Anomaly Detection in Time-Series Streams [0.42970700836450476]
本稿では,リアルタイム異常検出のための新しいエンドツーエンドフレームワークであるCALMを紹介する。 CALMはApache Beam分散処理フレームワーク上に構築されている。クローズドループで連続的な微調整機構を実装し、異常検出モデルがほぼリアルタイムで進化するデータパターンに適応できるようにする。
論文参考訳（メタデータ） (2025-08-29T00:27:35Z)
BayesTTA: Continual-Temporal Test-Time Adaptation for Vision-Language Models via Gaussian Discriminant Analysis [41.09181390655176]
CLIPのような視覚言語モデル(VLM)は、強いゼロショット認識を実現するが、実世界のシナリオに共通する時空間的な分散シフトの下で大幅に劣化する。テスト分布が時間とともに徐々に変化するCT-TTA(textitContinal-Temporal Test-Time Adaptation)として、この実践的問題を定式化する。我々は、時間的に一貫した予測を実行し、視覚表現を動的に調整する、ベイズ適応フレームワークであるtextitBayesTTAを提案する。
論文参考訳（メタデータ） (2025-07-11T14:02:54Z)
Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文参考訳（メタデータ） (2025-06-10T18:40:20Z)
Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。 AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
論文参考訳（メタデータ） (2025-05-28T20:22:43Z)
CT-OT Flow: Estimating Continuous-Time Dynamics from Discrete Temporal Snapshots [14.39808568320318]
Continuous-Time Optimal Transport Flow (CT-OT Flow)は、高解像度のタイムラベルを推論し、連続時間データ分散を再構築するフレームワークである。 CT-OT Flow は OT-CFM, [SF](2)M, TrajectoryNet, MFM, ENOT と比較して分布誤差と軌道誤差を低減する。
論文参考訳（メタデータ） (2025-05-23T00:12:49Z)
CANet: ChronoAdaptive Network for Enhanced Long-Term Time Series Forecasting under Non-Stationarity [0.0]
本稿では,スタイル転送技術に触発された新しいアーキテクチャであるChoronoAdaptive Network (CANet)を紹介する。 CANetの中核は非定常適応正規化モジュールであり、スタイルブレンディングゲートと適応インスタンス正規化(AdaIN)をシームレスに統合する。実世界のデータセットに関する実験は、CANetが最先端の手法よりも優れていることを検証し、MSEの42%、MAEの22%を達成している。
論文参考訳（メタデータ） (2025-04-24T20:05:33Z)
Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文参考訳（メタデータ） (2024-08-08T06:47:21Z)
Instructed Diffuser with Temporal Condition Guidance for Offline Reinforcement Learning [71.24316734338501]
テンポラリ・コンポラブル・ディフューザ(TCD)を用いた実効時間条件拡散モデルを提案する。 TCDは、相互作用シーケンスから時間情報を抽出し、時間条件で生成を明示的にガイドする。提案手法は,従来のSOTAベースラインと比較して最高の性能を達成または一致させる。
論文参考訳（メタデータ） (2023-06-08T02:12:26Z)

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。