論文の概要: Domain Generalization for Time Series: Enhancing Drilling Regression Models for Stick-Slip Index Prediction

• arxiv url: http://arxiv.org/abs/2601.02884v1
• Date: Tue, 06 Jan 2026 10:09:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.887784
• Title: Domain Generalization for Time Series: Enhancing Drilling Regression Models for Stick-Slip Index Prediction
• Title（参考訳）: 時系列のドメイン一般化:スティックスリップ指数予測のための掘削回帰モデルの改善
• Authors: Hana Yahia, Bruno Figliuzzi, Florent Di Meglio, Laurent Gerbaud, Stephane Menand, Mohamed Mahjoub,
• Abstract要約: この研究は、1Hz表面ドリルデータ60秒のラベル付きシーケンスをトレーニングし、SSI(スティック・スリップ指数)の予測によりドメイン間を一般化できるロバスト回帰モデルを開発することを目的としている。 適応領域一般化(ADG)、不変リスク最小化(IRM)、ベースラインモデルの比較分析を行い、モデル性能改善における転写学習(TL)の有効性の評価を行った。
• 参考スコア（独自算出の注目度）: 0.5277024349608834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper provides a comprehensive comparison of domain generalization techniques applied to time series data within a drilling context, focusing on the prediction of a continuous Stick-Slip Index (SSI), a critical metric for assessing torsional downhole vibrations at the drill bit. The study aims to develop a robust regression model that can generalize across domains by training on 60 second labeled sequences of 1 Hz surface drilling data to predict the SSI. The model is tested in wells that are different from those used during training. To fine-tune the model architecture, a grid search approach is employed to optimize key hyperparameters. A comparative analysis of the Adversarial Domain Generalization (ADG), Invariant Risk Minimization (IRM) and baseline models is presented, along with an evaluation of the effectiveness of transfer learning (TL) in improving model performance. The ADG and IRM models achieve performance improvements of 10% and 8%, respectively, over the baseline model. Most importantly, severe events are detected 60% of the time, against 20% for the baseline model. Overall, the results indicate that both ADG and IRM models surpass the baseline, with the ADG model exhibiting a slight advantage over the IRM model. Additionally, applying TL to a pre-trained model further improves performance. Our findings demonstrate the potential of domain generalization approaches in drilling applications, with ADG emerging as the most effective approach.
• Abstract（参考訳）: 本稿では,ドリルビットのねじりダウンホール振動を評価する重要な指標である連続スティックスリップ指数(SSI)の予測に焦点をあて,掘削コンテキストにおける時系列データに適用した領域一般化手法の包括的比較を行う。 本研究の目的は、SSIを予測するために、1Hz表面ドリルデータの60秒のラベル付きシーケンスをトレーニングすることで、ドメイン間を一般化できるロバスト回帰モデルを開発することである。 モデルは、トレーニング中に使用されるものとは異なる井戸でテストされます。 モデルアーキテクチャを微調整するために、キーハイパーパラメーターの最適化にグリッドサーチ手法を用いる。 適応領域一般化(ADG)、不変リスク最小化(IRM)、ベースラインモデルの比較分析を行い、モデル性能改善における転写学習(TL)の有効性の評価を行った。 ADGモデルとIRMモデルはそれぞれ、ベースラインモデルよりも10%と8%のパフォーマンス改善を実現している。 最も重要なことは、深刻な事象が60%の時間で検出され、ベースラインモデルの20%が検出されることである。 その結果,ADGモデルとIRMモデルの両方がベースラインを上回り,ADGモデルがIRMモデルに対してわずかに有利であることが示唆された。 さらに、事前訓練されたモデルにTLを適用することにより、パフォーマンスがさらに向上する。 ボーリング分野における領域一般化手法の可能性を示すとともに,ADGを最も効果的な手法として挙げた。

関連論文リスト

• Learning from Generalization Patterns: An Evaluation-Driven Approach to Enhanced Data Augmentation for Fine-Tuning Small Language Models [16.470481192733676]
  PaDA-Agentは、SLMのデータ拡張プロセスを合理化する評価駆動型アプローチである。 実験結果から,Llama 3.2 1Bインストラクトモデルファインタニングのための,最先端のLCMベースのデータ拡張手法に対する顕著な改善が示された。
  論文  参考訳（メタデータ） (2025-10-20T22:36:46Z)
• Scaling Up Temporal Domain Generalization via Temporal Experts Averaging [108.44248708602221]
  時間領域の一般化は、時間的変化などの時間的分布シフトを一般化することを目的としている。 本稿では, 時間的エキスパート平均化(TEA)を提案する。これは, 一般化ポテンシャルを最大化するために, 重量平均化を用いてモデル全体を更新する, 新しくスケーラブルなTDGフレームワークである。 従来のTDG法では最大69%,効率は最大60倍であった。
  論文  参考訳（メタデータ） (2025-09-30T10:21:44Z)
• PEER pressure: Model-to-Model Regularization for Single Source Domain Generalization [12.15086255236961]
  対象領域におけるこのような拡張に基づく手法の性能は、訓練中に普遍的に変動することを示す。 本稿では,新しい一般化法を提案する。 Space Ensemble with Entropy Regularization (PEER) – プロキシモデルを使用して、拡張データを学ぶ。
  論文  参考訳（メタデータ） (2025-05-19T06:01:11Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Variational Mode Decomposition and Linear Embeddings are What You Need For Time-Series Forecasting [2.1233286062376497]
  変動モード分解(VMD)は、データを異なるモードに分解することでボラティリティを緩和する有望な手法として登場した。 本研究では,線形モデルとVMDを統合し,ロバストな予測フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-08-28T20:22:09Z)
• An Empirical Study on Distribution Shift Robustness From the Perspective of Pre-Training and Data Augmentation [91.62129090006745]
  本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。 我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
  論文  参考訳（メタデータ） (2022-05-25T13:04:53Z)
• Domain Generalization using Pretrained Models without Fine-tuning [25.489714555859944]
  微調整事前訓練モデルは、ドメイン一般化(DG)タスクにおいて一般的なプラクティスである。 ドメイン一般化のための特別アンサンブル学習(SEDGE)という,様々な事前学習モデルを活用するための新しいドメイン一般化パラダイムを提案する。 SEDGEは、DGタスクの最先端メソッドを含む強力なベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2022-03-09T09:33:59Z)
• BEDS-Bench: Behavior of EHR-models under Distributional Shift--A Benchmark [21.040754460129854]
  OOD設定下でのEHRデータ上でのMLモデルの振る舞いを定量化するベンチマークであるBEDS-Benchをリリースする。 BEDS-Bench の学習アルゴリズムを複数評価した結果,一般に分布シフト下での一般化性能の低下が判明した。
  論文  参考訳（メタデータ） (2021-07-17T05:53:24Z)
• Adversarially Adaptive Normalization for Single Domain Generalization [71.80587939738672]
  一般化正規化アプローチ,適応標準化と再スケーリング正規化(ASR-Norm)を提案する。 ASR-Normは、ニューラルネットワークを介して標準化と再スケーリングの統計学を学ぶ。 ASR-Normは最先端のADAアプローチに一貫した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-06-01T23:58:23Z)

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。