論文の概要: Test-Time Adaptation for Non-stationary Time Series: From Synthetic Regime Shifts to Financial Markets

• arxiv url: http://arxiv.org/abs/2602.00073v1
• Date: Tue, 20 Jan 2026 22:30:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 02:03:42.32421
• Title: Test-Time Adaptation for Non-stationary Time Series: From Synthetic Regime Shifts to Financial Markets
• Title（参考訳）: 非定常時間系列のテスト時間適応:合成レジームから金融市場へ
• Authors: Yurui Wu, Qingying Deng, Wonou Chung, Mairui Li,
• Abstract要約: 因果時間予測と方向分類のための小さなフットプリントテスト時間適応フレームワークについて検討した。 分類にはエントロピーを最小化し、時間的一貫性を強制する。 この枠組みは、ETTベンチマークの総合的体制シフトと、パンデミック、高インフレ、リカバリの2段階にわたるデイリーエクイティとFXシリーズ(SPY、QQQ、EUR/USD)で評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series encountered in practice are rarely stationary. When the data distribution changes, a forecasting model trained on past observations can lose accuracy. We study a small-footprint test-time adaptation (TTA) framework for causal timeseries forecasting and direction classification. The backbone is frozen, and only normalization affine parameters are updated using recent unlabeled windows. For classification we minimize entropy and enforce temporal consistency; for regression we minimize prediction variance across weak time-preserving augmentations and optionally distill from an EMA teacher. A quadratic drift penalty and an uncertainty triggered fallback keep updates stable. We evaluate this framework in two stages: synthetic regime shifts on ETT benchmarks, and daily equity and FX series (SPY, QQQ, EUR/USD) across pandemic, high-inflation, and recovery regimes. On synthetic gradual drift, normalization-based TTA improves forecasting error, while in financial markets a simple batch-normalization statistics update is a robust default and more aggressive norm-only adaptation can even hurt. Our results provide practical guidance for deploying TTA on non-stationary time series.
• Abstract（参考訳）: 実際に遭遇した時系列は滅多に静止しない。 データ分布が変化すると、過去の観測に基づいてトレーニングされた予測モデルが精度を損なう可能性がある。 因果時間予測と方向分類のための小型プリントテストタイム適応(TTA)フレームワークについて検討した。 バックボーンは凍結され、最近の未ラベルウィンドウを使用して正規化アフィンパラメータのみが更新される。 分類にはエントロピーを最小化し、時間的一貫性を強制する; 回帰については、弱い時間保存の増大による予測分散を最小化し、EMA教師から任意に蒸留する。 二次的ドリフトペナルティと不確実性によって引き起こされたフォールバックは更新を安定させる。 この枠組みは、ETTベンチマークの総合的体制シフトと、パンデミック、高インフレ、リカバリの2段階にわたるデイリーエクイティとFXシリーズ(SPY、QQQ、EUR/USD)で評価する。 合成段階的ドリフトでは、正規化ベースのTTAが予測エラーを改善する一方、金融市場では、単純なバッチ正規化統計更新は堅牢なデフォルトであり、より攻撃的なノルムのみの適応は、さらに損なわれる可能性がある。 本結果は,非定常時系列にTTAをデプロイするための実用的なガイダンスを提供する。

関連論文リスト

• Contrastive Time Series Forecasting with Anomalies [3.4598718746610593]
  時系列予測は過去のデータから将来の値を予測する。 一部の異常事象は持続的な影響があり、予測に影響を与えるが、他の事象は短命であり無視されるべきである。 Co-TSFA(Contrastive Time Series Forecasting with Anomalies)は,異常を無視するタイミングと応答するタイミングを学習する正規化フレームワークである。
  論文  参考訳（メタデータ） (2025-12-12T12:54:24Z)
• Beyond MSE: Ordinal Cross-Entropy for Probabilistic Time Series Forecasting [11.320830769077027]
  現在のディープラーニングベースの予測モデルは、回帰モデリングにMean Squared Error(MSE)損失関数を用いる。 時系列予測のための新しい順序分類手法であるOCE-TSを提案する。 MSE と Mean Absolute Error (MAE) を評価指標として,OCE-TS がベンチマークモデルより一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-13T11:14:24Z)
• Adapt in the Wild: Test-Time Entropy Minimization with Sharpness and Feature Regularization [85.50560211492898]
  テスト時適応(TTA)は、テストデータが分散シフトが混在している場合、モデルの性能を改善または損なう可能性がある。 これはしばしば、既存のTTAメソッドが現実世界にデプロイされるのを防ぐ重要な障害である。 両面からTTAを安定化させるため,SARと呼ばれる鋭く信頼性の高いエントロピー最小化手法を提案する。
  論文  参考訳（メタデータ） (2025-09-05T10:03:00Z)
• 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)
• COME: Test-time adaption by Conservatively Minimizing Entropy [45.689829178140634]
  保守的に最小化されるエントロピー (COME) は従来のエントロピー (EM) の代替品である COMEはモデル予測よりもディリクレ事前分布を特徴付けることによって、不確実性を明示的にモデル化する。 我々はCOMEが一般的なベンチマークで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-12T09:20:06Z)
• Frequency Adaptive Normalization For Non-stationary Time Series Forecasting [7.881136718623066]
  時系列予測は、トレンドと季節パターンを進化させる非定常データに対処する必要がある。 非定常性に対処するために、ある統計測度でこの傾向からの影響を軽減するために、最近インスタンス正規化が提案されている。 本稿では、周波数適応正規化(FAN)と呼ばれる新しいインスタンス正規化ソリューションを提案する。
  論文  参考訳（メタデータ） (2024-09-30T15:07:16Z)
• 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)
• Towards Stable Test-Time Adaptation in Dynamic Wild World [60.98073673220025]
  テスト時間適応(TTA)は、与えられたモデルをテストサンプルに適応させることで、トレーニングとテストデータの分散シフトに取り組むのに有効であることが示されている。 TTAのオンラインモデル更新は不安定であり、これはしばしば既存のTTAメソッドが現実世界にデプロイされるのを防ぐ重要な障害である。
  論文  参考訳（メタデータ） (2023-02-24T02:03:41Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。