論文の概要: Dynamic Multi-period Experts for Online Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2603.09062v1
- Date: Tue, 10 Mar 2026 01:09:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-11 15:25:23.921809
- Title: Dynamic Multi-period Experts for Online Time Series Forecasting
- Title（参考訳）: オンライン時系列予測のための動的多周期エキスパート
- Abstract要約: まず、再帰ドリフト(Recurring Drift)と創発ドリフト(Emergent Drift)という2つの異なるタイプに分類することで、概念のドリフトを再定義する。
そこで我々は、このドリフトの二重性に効果的に対処するために設計された新しいハイブリッドフレームワークDynaMEを提案する。
再帰的ドリフトのために、DynaMEは、各段階において最も関係のある歴史的パターンに動的に適合する専門専門家の委員会を雇っている。
Emergent Drift氏にとって、このフレームワークは高い不確実性シナリオを検出し、安定した一般の専門家への依存をシフトする。
- 参考スコア（独自算出の注目度）: 15.001287568167067
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online Time Series Forecasting (OTSF) requires models to continuously adapt to concept drift. However, existing methods often treat concept drift as a monolithic phenomenon. To address this limitation, we first redefine concept drift by categorizing it into two distinct types: Recurring Drift, where previously seen patterns reappear, and Emergent Drift, where entirely new patterns emerge. We then propose DynaME (Dynamic Multi-period Experts), a novel hybrid framework designed to effectively address this dual nature of drift. For Recurring Drift, DynaME employs a committee of specialized experts that are dynamically fitted to the most relevant historical periodic patterns at each time step. For Emergent Drift, the framework detects high-uncertainty scenarios and shifts reliance to a stable, general expert. Extensive experiments on several benchmark datasets and backbones demonstrate that DynaME effectively adapts to both concept drifts and significantly outperforms existing baselines.
- Abstract（参考訳）: オンライン時系列予測(OTSF)は、コンセプトドリフトに継続的に適応するためにモデルを必要とする。
しかし、既存の方法では、概念の漂流をモノリシックな現象として扱うことが多い。
この制限に対処するために、私たちはまず、それを2つの異なるタイプに分類することで、概念の漂流を再定義する。
そこで我々は,このドリフトの二重性に効果的に対処するために設計された,新しいハイブリッドフレームワークDynaMEを提案する。
再帰的ドリフトのために、DynaMEは、各段階において最も関係のある歴史的パターンに動的に適合する専門専門家の委員会を雇っている。
Emergent Drift氏にとって、このフレームワークは高い不確実性シナリオを検出し、安定した一般の専門家への依存をシフトする。
いくつかのベンチマークデータセットとバックボーンに関する大規模な実験は、DynaMEが両方のコンセプトドリフトに効果的に適応し、既存のベースラインを大幅に上回っていることを示している。
関連論文リスト
- Drive-HWM: Hierarchical World Models for Dynamic-Latent Guided Autonomous Driving [78.83165764484562]
Drive-HWMは階層的なスローファーストな世界モデリングフレームワークで、将来の表現予測とアクション生成を補完的な時間スケールで構成する。
次のフレーム予測では、高速モデルが差し迫ったシーンの進化を捉え、一方1ステップのアクション生成は、新しい観察が到着すると、決定を継続的に更新することを可能にする。
論文 参考訳（メタデータ） (2026-09-03T09:21:19Z) - Hamiltonian Spectral-Temporal Dissipative Dynamics for Sequential Recommendation [4.649779668774962]
本稿では,ハミルトンスペクトルレコメンダ (HSR) を導入し, 選好進化を散逸するハミルトン系として再放送する。
HSRは、最先端のトランスフォーマーベースおよびステートスペースモデル(SSM)ベースのレコメンデータよりも一貫して優れている。
論文 参考訳（メタデータ） (2026-08-26T13:04:04Z) - Fuzzy-MoE: Interpretable Regime-Conditioned Expert Routing for Non-Stationary Multivariate Time Series Forecasting [10.050287855808307]
Fuzzy-MoE はファジィ論理に基づく動的Mixture-of-Expertsモデルである。
潜時状態を推論し、学習可能なガウスのメンバーシップ関数を通じて専門家の活性化強度を計算する。
予測精度において、主流の予測手法を著しく上回る。
論文 参考訳（メタデータ） (2026-08-21T05:49:32Z) - Drift-Resistant Navigation World Model with Anchored Epipolar Guidance [81.52175010905665]
本稿では,従来のロールアウト型ナビゲーションワールドモデルにおいて,知覚的ドリフトと幾何学的ドリフトの両方を緩和する生成モデルであるDrift-Resistant Navigation World Modelを提案する。
まず、安定な長距離ターゲットとして機能するスパース未来のアンカーを予測し、その後、過去のコンテキストと将来のアンカーの両方で条件付けられた各チャンク内で中間フレームを生成する。
4つのベンチマークの実験では、長期の視覚的品質、幾何的一貫性、多視点コヒーレンスにおいて、強いベースラインよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-05-23T22:47:33Z) - Dynamic TMoE: A Drift-Aware Dynamic Mixture of Experts Framework for Non-Stationary Time Series Forecasting [39.362777320328256]
学習段階における時間的連続性とアーキテクチャの進化を統一するフレームワークであるDynamic TMoEを提案する。
9つのベンチマークの実験では、最先端のパフォーマンスを示し、MSEを10.4%、MAEを7.8%削減した。
論文 参考訳（メタデータ） (2026-05-20T03:45:22Z) - Tackling Time-Series Forecasting Generalization via Mitigating Concept Drift [18.597913113449042]
時系列における分布シフトは,概念のドリフトと時間シフトの2種類に比例する。
そこで我々は,まず時間シフトに対処し,一貫したアプローチでコンセプトドリフトを実現するための手法に依存しないフレームワークであるShifTSを紹介した。
論文 参考訳（メタデータ） (2025-10-16T15:48:52Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - DriftMoE: A Mixture of Experts Approach to Handle Concept Drifts [1.2487037582320804]
本稿では、新しいコトレーニングフレームワークを通じて制限に対処するオンラインMixture-of-Experts (MoE)アーキテクチャであるDriftMoEを紹介する。
DriftMoEはコンパクトなニューラルルータで、インクリメンタルなHoeffdingツリーの専門家のプールと一緒に訓練されている。
我々はDriftMoEの性能を,急激な,段階的,現実的なドリフトにまたがる9つの最先端データストリーム学習ベンチマークで評価した。
論文 参考訳（メタデータ） (2025-07-24T14:39:20Z) - FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [57.577843653775]
textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。
Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。
マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
論文 参考訳（メタデータ） (2025-07-07T04:09:45Z) - CORAL: Concept Drift Representation Learning for Co-evolving Time-series [6.4314326272535896]
概念ドリフトは従来の分析モデルの信頼性と精度に影響を与える。
本稿では,時系列を進化するエコシステムとしてモデル化し,概念ドリフトの表現を学習する手法であるCoRALを提案する。
論文 参考訳（メタデータ） (2025-01-02T15:09:00Z) - PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳（メタデータ） (2024-02-25T17:39:44Z) - Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。
本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-02-18T05:35:01Z)
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。