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
• Authors: Seungha Hong, Sukang Chae, Suyeon Kim, Sanghwan Jang, Hwanjo Yu,
• 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

• 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)
• 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)
• 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)
• 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。