論文の概要: On the Role of Reversible Instance Normalization

• arxiv url: http://arxiv.org/abs/2603.11869v1
• Date: Thu, 12 Mar 2026 12:40:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:26.07607
• Title: On the Role of Reversible Instance Normalization
• Title（参考訳）: 可逆的インスタンス正規化の役割について
• Authors: Gaspard Berthelier, Tahar Nabil, Etienne Le Naour, Richard Niamke, Samir Perlaza, Giovanni Neglia,
• Abstract要約: 時系列予測における正規化の3つの中心的課題を同定する。 広く使われているRevIN(Reversible Instance Normalization)を再考する。 アブレーション研究を通して、その構成要素のいくつかは冗長または有害であることを示した。
• 参考スコア（独自算出の注目度）: 7.494561123064494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data normalization is a crucial component of deep learning models, yet its role in time series forecasting remains insufficiently understood. In this paper, we identify three central challenges for normalization in time series forecasting: temporal input distribution shift, spatial input distribution shift, and conditional output distribution shift. In this context, we revisit the widely used Reversible Instance Normalization (RevIN), by showing through ablation studies that several of its components are redundant or even detrimental. Based on these observations, we draw new perspectives to improve RevIN's robustness and generalization.
• Abstract（参考訳）: データ正規化はディープラーニングモデルにおいて重要な要素であるが、時系列予測におけるその役割は十分に理解されていない。 本稿では,時系列予測における正規化の課題として,時間的入力分布シフト,空間的入力分布シフト,条件的出力分布シフトの3つを特定する。 この文脈では、広く使われているRevIN(Reversible Instance Normalization)を再考し、いくつかのコンポーネントが冗長あるいは有害であることを示すアブレーション研究を通して示す。 これらの観測に基づいて、我々はRevINの堅牢性と一般化を改善するために新たな視点を導いた。

関連論文リスト

• APT: Affine Prototype-Timestamp For Time Series Forecasting Under Distribution Shift [15.750544852008867]
  Affine Prototype Timestamp (APT) は,グローバルな分散機能を正規化予測パイプラインに注入する軽量で柔軟なプラグインモジュールである。 APTは入力と出力の両方を変調するアフィンパラメータを生成し、バックボーンは自己管理型の分散対応クラスタリングインスタンスから学習することができる。
  論文  参考訳（メタデータ） (2025-11-17T03:56:53Z)
• Wavelet-based Disentangled Adaptive Normalization for Non-stationary Times Series Forecasting [23.34966767653385]
  時系列予測における非定常性に対処するために、ウェーブレットに基づく不整合適応正規化(WDAN)を提案する。 WDANは離散ウェーブレット変換を用いて入力を低周波数トレンドと高周波変動に分解する。 複数のベンチマークの実験では、WDANは様々なバックボーンモデルにおける予測精度を一貫して改善している。
  論文  参考訳（メタデータ） (2025-06-06T08:25:29Z)
• IN-Flow: Instance Normalization Flow for Non-stationary Time Series Forecasting [38.4809915448213]
  固定統計量に依存しない時系列予測のための分離された定式化を提案する。 また、時系列変換のための新しい可逆ネットワークであるインスタンス正規化フロー(IN-Flow)を提案する。
  論文  参考訳（メタデータ） (2024-01-30T06:35:52Z)
• DIVERSIFY: A General Framework for Time Series Out-of-distribution Detection and Generalization [58.704753031608625]
  時系列は、機械学習研究における最も困難なモダリティの1つである。 時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。 時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
  論文  参考訳（メタデータ） (2023-08-04T12:27:11Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Measuring Generalization with Optimal Transport [111.29415509046886]
  我々は、マージンを最適輸送コストで正規化する、マージンベースの一般化境界を開発する。 我々の境界は、大規模データセット上でトレーニングデータとネットワークパラメータを与えられた一般化誤差を強く予測する。
  論文  参考訳（メタデータ） (2021-06-07T03:04:59Z)
• Causally-motivated Shortcut Removal Using Auxiliary Labels [63.686580185674195]
  このようなリスク不変予測器の学習に重要な課題はショートカット学習である。 この課題に対処するために、フレキシブルで因果的なアプローチを提案する。 この因果的動機付けされた正規化スキームが堅牢な予測子を生み出すことを理論的および実証的に示す。
  論文  参考訳（メタデータ） (2021-05-13T16:58:45Z)
• Discrete Variational Attention Models for Language Generation [51.88612022940496]
  本稿では,言語における離散性に起因する注意機構のカテゴリー分布を考慮した離散的変動注意モデルを提案する。 離散性の特質により,提案手法の訓練は後部崩壊に支障を来さない。
  論文  参考訳（メタデータ） (2020-04-21T05:49:04Z)

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。