論文の概要: RG-TTA: Regime-Guided Meta-Control for Test-Time Adaptation in Streaming Time Series

• arxiv url: http://arxiv.org/abs/2603.27814v1
• Date: Sun, 29 Mar 2026 18:57:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.130107
• Title: RG-TTA: Regime-Guided Meta-Control for Test-Time Adaptation in Streaming Time Series
• Title（参考訳）: RG-TTA:Regime-Guided Meta-Control for Test-Time Adaptation in Streaming Time Series
• Authors: Indar Kumar, Akanksha Tiwari, Sai Krishna Jasti, Ankit Hemant Lade,
• Abstract要約: テスト時間適応(TTA)は、ニューラルネットワークの予測者がストリーミング時系列の分散シフトに適応できるようにする。 本稿では,従来の状態と分布類似性に基づいて適応強度を連続的に変調するメタコントローラであるRegime-Guided Test-Time Adaptation (RG-TTA)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-time adaptation (TTA) enables neural forecasters to adapt to distribution shifts in streaming time series, but existing methods apply the same adaptation intensity regardless of the nature of the shift. We propose Regime-Guided Test-Time Adaptation (RG-TTA), a meta-controller that continuously modulates adaptation intensity based on distributional similarity to previously-seen regimes. Using an ensemble of Kolmogorov-Smirnov, Wasserstein-1, feature-distance, and variance-ratio metrics, RG-TTA computes a similarity score for each incoming batch and uses it to (i) smoothly scale the learning rate -- more aggressive for novel distributions, conservative for familiar ones -- and (ii) control gradient effort via loss-driven early stopping rather than fixed budgets, allowing the system to allocate exactly the effort each batch requires. As a supplementary mechanism, RG-TTA gates checkpoint reuse from a regime memory, loading stored specialist models only when they demonstrably outperform the current model (loss improvement >= 30%). RG-TTA is model-agnostic and strategy-composable: it wraps any forecaster exposing train/predict/save/load interfaces and enhances any gradient-based TTA method. We demonstrate three compositions -- RG-TTA, RG-EWC, and RG-DynaTTA -- and evaluate 6 update policies (3 baselines + 3 regime-guided variants) across 4 compact architectures (GRU, iTransformer, PatchTST, DLinear), 14 datasets (6 real-world multivariate benchmarks + 8 synthetic regime scenarios), and 4 forecast horizons (96, 192, 336, 720) under a streaming evaluation protocol with 3 random seeds (672 experiments total). Regime-guided policies achieve the lowest MSE in 156 of 224 seed-averaged experiments (69.6%), with RG-EWC winning 30.4% and RG-TTA winning 29.0%. Overall, RG-TTA reduces MSE by 5.7% vs TTA while running 5.5% faster; RG-EWC reduces MSE by 14.1% vs standalone EWC.
• Abstract（参考訳）: テスト時間適応(TTA)は、ニューラル予測器がストリーミング時系列の分布シフトに適応することを可能にするが、既存の手法では、シフトの性質に関わらず、同じ適応強度を適用する。 本稿では,従来の状態と分布類似性に基づいて適応強度を連続的に変調するメタコントローラであるRegime-Guided Test-Time Adaptation (RG-TTA)を提案する。 Kolmogorov-Smirnov, Wasserstein-1, feature-distance, and variance-ratioのアンサンブルを用いてRG-TTAは、入ってくるバッチ毎に類似度スコアを計算し、それを使用する。 (i)学習率を円滑にスケールする -- 新規分布に対してより積極的、慣れ親しんだものには保守的 -- および 2) 固定予算ではなく、損失駆動早期停止による制御勾配の取り組みにより、システムは各バッチに必要な労力を正確に割り当てることができます。 補助的なメカニズムとして、RG-TTAはレシエーションメモリからのチェックポイントの再利用をゲートし、保存されたスペシャリストモデルを前向きに現在のモデルを上回った時にのみロードする(ロス改善>=30%)。 RG-TTAは、モデルに依存しないストラテジコンポーザで、列車/予測/セーブ/ロードインターフェースを公開して、勾配ベースのTTAメソッドを拡張する。 RG-TTA, RG-EWC, RG-DynaTTAの3つの構成を実証し, 4つのコンパクトアーキテクチャ(GRU, iTransformer, PatchTST, DLinear), 14のデータセット(6つの実世界のマルチバリアイトベンチマーク+8の合成レシエーションシナリオ),4つの予測水平線(96, 192, 336, 720)をランダムシード(672実験)のストリーミング評価プロトコルで評価した。 RG-EWCは30.4%、RG-TTAは29.0%である。 全体として、RG-TTAはMSEを5.7%、TTAは5.5%、RG-EWCはMSEを14.1%削減する。

関連論文リスト

• Adaptive Regime-Aware Stock Price Prediction Using Autoencoder-Gated Dual Node Transformers with Reinforcement Learning Control [1.2362187555287152]
  既存のアプローチは全ての市場状態を均一に扱うか、または手動のレギュレーションラベリングを必要とする。 本稿では,通常の市場条件から逸脱を適応的に識別し,特定の予測経路を通じてデータをルーティングする適応予測フレームワークを提案する。 1982年から2025年にかけてのS&P500株20株の実験では、このフレームワークは1日間の予測では0.68%のMAPE、完全な適応システムでは0.59%のMAPEを達成した。
  論文  参考訳（メタデータ） (2026-03-19T16:55:33Z)
• A Controlled Comparison of Deep Learning Architectures for Multi-Horizon Financial Forecasting: Evidence from 918 Experiments [0.0]
  マルチ水平価格予測は、ポートフォリオ割り当て、リスク管理、アルゴリズム取引の中心である。 ディープラーニングアーキテクチャは、厳格な財務ベンチマークで評価できるよりも急速に成長しています。 ModernTCNは75パーセントの1位率で最高ランク(1.333)を獲得し、PatchTST(2.000)が続く。
  論文  参考訳（メタデータ） (2026-02-27T03:27:04Z)
• Regularized Meta-Learning for Improved Generalization [0.0]
  正規化メタラーニングは、高次元アンサンブルシステムのための安定かつデプロイ効率の高いスタックング戦略である。 4段階のパイプラインは、冗長性を考慮したプロジェクション、統計的メタ機能拡張、およびクロスバリデーションされた正規化メタモデルを組み合わせる。 Playground Series S6E1ベンチマークでは、提案フレームワークは8.582のアウトオブフォールドRMSEを実現し、単純な平均(8.894)と従来のリッジ積み重ね(8.627)よりも改善し、グリーディヒルクライミング(8.603)とほぼ低ランタイム(8.603)とほぼ一致する(4倍高速)。
  論文  参考訳（メタデータ） (2026-02-12T22:55:32Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• One Size Does Not Fit All: Architecture-Aware Adaptive Batch Scheduling with DEBA [9.344832445480415]
  適応型バッチスケジューラであるDEBAを導入する。 アーキテクチャが適応の有効性を根本的に決定できることを実証する。
  論文  参考訳（メタデータ） (2025-11-05T19:19:39Z)
• Exploring Wavelet Transformations for Deep Learning-based Machine Condition Diagnosis [0.0]
  本研究では、時系列電流信号をウェーブレット変換により時間周波数2D表現に変換する。 この研究はWT-Amor、WT-Bump、WT-Morse、WSST-Amor、WSST-Bumpの5つの技術を用いている。 WT-Amor、WT-Bump、WT-MorseのDLモデルは、それぞれ90.93、89.20、93.73%のピークモデル精度で顕著な効果を示した。
  論文  参考訳（メタデータ） (2024-08-19T02:06:33Z)
• ERNIE-SPARSE: Learning Hierarchical Efficient Transformer Through Regularized Self-Attention [48.697458429460184]
  情報ボトルネック感度と異なる注目トポロジ間の不整合の2つの要因がスパース変換器の性能に影響を及ぼす可能性がある。 本稿では,ERNIE-Sparseというモデルを提案する。 i) 局所情報とグローバル情報を逐次統一する階層スパース変換器(HST) と、(ii) 注意トポロジの異なる変換器の距離を最小化する自己注意正規化(SAR) の2つの特徴がある。
  論文  参考訳（メタデータ） (2022-03-23T08:47:01Z)
• Sequence Transduction with Graph-based Supervision [96.04967815520193]
  ラベルのグラフ表現を受け入れるためにRNN-T損失を一般化するトランスデューサ目的関数を提案する。 CTC型格子を用いたトランスデューサベースのASRは,標準RNN-Tよりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-11-01T21:51:42Z)
• Breaking (Global) Barriers in Parallel Stochastic Optimization with Wait-Avoiding Group Averaging [48.99717153937717]
  本稿では、ウェイトアビジングサブグループであるWAGMA-SGDについて述べる。 ImageNet上でResNet-50をトレーニングし、機械翻訳用のトランスフォーマー、大規模ナビゲーションのための深い強化学習を行う。 最先端の分散SGDと比較すると、WAGMA-SGDはトレーニングのスループットを大幅に改善する。
  論文  参考訳（メタデータ） (2020-04-30T22:11:53Z)

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。