論文の概要: AdaNODEs: Test Time Adaptation for Time Series Forecasting Using Neural ODEs

• arxiv url: http://arxiv.org/abs/2601.12893v1
• Date: Mon, 19 Jan 2026 09:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.842241
• Title: AdaNODEs: Test Time Adaptation for Time Series Forecasting Using Neural ODEs
• Title（参考訳）: AdaNODEs: ニューラルネットワークを用いた時系列予測のためのテスト時間適応
• Authors: Ting Dang, Soumyajit Chatterjee, Hong Jia, Yu Wu, Flora Salim, Fahim Kawsar,
• Abstract要約: テスト時間適応(TTA)は、トレーニング済みのモデルを新しい、目に見えないデータ分布に適応するための有望なソリューションとして登場した。 本稿では,時系列予測に適した,革新的なソースフリーなTTA手法であるAdaNODEsを提案する。
• 参考スコア（独自算出の注目度）: 20.237470399970448
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Test time adaptation (TTA) has emerged as a promising solution to adapt pre-trained models to new, unseen data distributions using unlabeled target domain data. However, most TTA methods are designed for independent data, often overlooking the time series data and rarely addressing forecasting tasks. This paper presents AdaNODEs, an innovative source-free TTA method tailored explicitly for time series forecasting. By leveraging Neural Ordinary Differential Equations (NODEs), we propose a novel adaptation framework that accommodates the unique characteristics of distribution shifts in time series data. Moreover, we innovatively propose a new loss function to tackle TTA for forecasting tasks. AdaNODEs only requires updating limited model parameters, showing effectiveness in capturing temporal dependencies while avoiding significant memory usage. Extensive experiments with one- and high-dimensional data demonstrate that AdaNODEs offer relative improvements of 5.88\% and 28.4\% over the SOTA baselines, especially demonstrating robustness across higher severity distribution shifts.
• Abstract（参考訳）: テスト時間適応(TTA)は、未ラベルのターゲットドメインデータを使用して、トレーニング済みのモデルを新しい、目に見えないデータ分散に適応するための有望なソリューションとして登場した。 しかしながら、ほとんどのTTAメソッドは独立したデータのために設計されており、しばしば時系列データを見落とし、予測タスクにほとんど対処しない。 本稿では,時系列予測に適した,革新的なソースフリーなTTA手法であるAdaNODEsを提案する。 NODE(Neural Ordinary Differential Equations)を活用することで、時系列データにおける分布シフトのユニークな特性に対応する新しい適応フレームワークを提案する。 さらに,タスク予測のためのTTAに取り組むための新たな損失関数を革新的に提案する。 AdaNODEsは、限られたモデルパラメータを更新するだけで、時間的依存を捕捉し、メモリ使用量を大幅に避ける効果を示す。 1次元と高次元のデータによる大規模な実験では、AdaNODEsはSOTAベースラインよりも5.88\%と28.4\%の相対的な改善を提供しており、特に高い重度分布シフトにおける堅牢性を示している。

関連論文リスト

• 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)
• Battling the Non-stationarity in Time Series Forecasting via Test-time Adaptation [39.7344214193566]
  時系列予測(TSF)に適した先駆的なテスト時間適応フレームワークを提案する。 TSF-TTAに対する提案手法であるTAFASは、事前学習中に学習したコアセマンティック情報を保存しながら、ソース予測器をフレキシブルに適応してテスト分布を継続的にシフトさせる。 部分的に観測された真実とゲートキャリブレーションモジュールの新たな利用により、ソース予測器のプロアクティブ、ロバスト、モデルに依存しない適応が可能となった。
  論文  参考訳（メタデータ） (2025-01-09T04:59:15Z)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [65.21599711087538]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• Diverse Data Augmentation with Diffusions for Effective Test-time Prompt Tuning [73.75282761503581]
  DiffTPTを提案する。DiffTPTは,事前学習した拡散モデルを用いて,多種多様な情報データを生成する。 DiffTPTがゼロショット精度を平均5.13%向上することを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:36:31Z)
• Towards Flexible Time-to-event Modeling: Optimizing Neural Networks via Rank Regression [17.684526928033065]
  我々はDART(Time-to-event Prediction)のためのDeep AFT Rank-regressionモデルを導入する。 このモデルは、表現学習において効率的で信頼性の高いゲハンのランク統計に基づく客観的関数を用いる。 提案手法は, 生存時間分布に分布仮定を課さない半パラメトリックなAFTモデリング手法である。
  論文  参考訳（メタデータ） (2023-07-16T13:58:28Z)
• Out-of-distribution Few-shot Learning For Edge Devices without Model Fine-tuning [10.422316867474681]
  エッジデバイス上でパーソナライズされたユーザエクスペリエンスを実現するための,有望なテクニックは少ない。 本稿では,バックプロパゲーションを伴わないディープニューラルネットワークの効率的なタスク認識適応を可能にする,タスク認識正規化(TANO)と呼ばれるプラグイン・アンド・プレイモジュールを提案する。 TANOは、正規化統計量の安定だがタスク固有の推定を提供し、分配ギャップを埋め、効率的なモデル適応を実現する。
  論文  参考訳（メタデータ） (2023-04-13T07:33:22Z)
• TeST: Test-time Self-Training under Distribution Shift [99.68465267994783]
  Test-Time Self-Training (TeST)は、あるソースデータとテスト時の新しいデータ分散に基づいてトレーニングされたモデルを入力する技術である。 また,TeSTを用いたモデルでは,ベースラインテスト時間適応アルゴリズムよりも大幅に改善されていることがわかった。
  論文  参考訳（メタデータ） (2022-09-23T07:47:33Z)

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。