論文の概要: Tracking Adaptation Time: Metrics for Temporal Distribution Shift

• arxiv url: http://arxiv.org/abs/2604.07266v1
• Date: Wed, 08 Apr 2026 16:30:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.63536
• Title: Tracking Adaptation Time: Metrics for Temporal Distribution Shift
• Title（参考訳）: 追従適応時間:時間分布シフトのメトリクス
• Authors: Lorenzo Iovine, Giacomo Ziffer, Emanuele Della Valle,
• Abstract要約: 時間分布シフトの下で頑健さを評価することは 未解決の課題です 既存のメトリクスは、パフォーマンスの平均的な低下を定量化しますが、モデルが進化するデータにどのように適応するかを捉えられません。 そこで本研究では,データの適応と本質的な難易度を区別する3つの相補的指標を提案する。
• 参考スコア（独自算出の注目度）: 1.3509194648045753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evaluating robustness under temporal distribution shift remains an open challenge. Existing metrics quantify the average decline in performance, but fail to capture how models adapt to evolving data. As a result, temporal degradation is often misinterpreted: when accuracy declines, it is unclear whether the model is failing to adapt or whether the data itself has become inherently more challenging to learn. In this work, we propose three complementary metrics to distinguish adaptation from intrinsic difficulty in the data. Together, these metrics provide a dynamic and interpretable view of model behavior under temporal distribution shift. Results show that our metrics uncover adaptation patterns hidden by existing analysis, offering a richer understanding of temporal robustness in evolving environments.
• Abstract（参考訳）: 時間分布シフトによるロバスト性の評価は、依然としてオープンな課題である。 既存のメトリクスは、パフォーマンスの平均的な低下を定量化しますが、モデルが進化するデータにどのように適応するかを捉えられません。 その結果、時間的劣化は誤解されることが多く、精度が低下すると、モデルが適応できないのか、あるいはデータ自体が本質的に学習が困難になっているのかがはっきりしない。 本研究では,データ固有の難易度から適応を区別する3つの相補的指標を提案する。 これらのメトリクスは、時間的分布シフトの下でのモデル行動の動的かつ解釈可能なビューを提供する。 その結果、既存の分析によって隠された適応パターンが明らかとなり、進化する環境における時間的堅牢性をより深く理解できるようになった。

関連論文リスト

• Feature-aware Modulation for Learning from Temporal Tabular Data [47.36022303401642]
  時間分布シフトは、現実世界のデプロイメントにおいて大きな課題となる。 静的モデルは一般化を保証する固定写像を仮定するが、適応モデルは過渡パターンに過度に適合する。 本稿では,時間的文脈における特徴表現を特徴付ける特徴認識型時間変調機構を提案する。
  論文  参考訳（メタデータ） (2025-12-03T11:13:12Z)
• Adaptive Evidential Learning for Temporal-Semantic Robustness in Moment Retrieval [39.603000380180774]
  Debiased Evidential Learning for Moment Retrieval (DEMR)は、クロスモーダルアライメントのための反射Flipped Fusion(RFF)ブロックを組み込んだ新しいフレームワークである。 我々は,不確実性予測を洗練し,困難なモーメントと適応的なアライメントを実現し,精度を向上するGeom-regularizerを提案する。
  論文  参考訳（メタデータ） (2025-11-30T16:13:20Z)
• 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)
• Understanding the Limits of Deep Tabular Methods with Temporal Shift [28.738848567072004]
  本稿では,Fourier級数展開に基づく時間的組込み手法を提案し,時間的パターンを学習し,組み込む。 我々の実験は、この時間的埋め込みと改良されたトレーニングプロトコルを組み合わせることで、時間的データから学習するためのより効果的で堅牢なフレームワークが提供されることを示した。
  論文  参考訳（メタデータ） (2025-02-27T16:48:53Z)
• Generalization vs. Specialization under Concept Shift [12.196508752999797]
  我々は、概念シフトの下で尾根回帰を分析する。 熱力学限界における予測リスクの正確な表現を導出する。 我々のMNISTとFashionMNISTに関する実験は、この興味深い挙動が分類問題にも存在することを示唆している。
  論文  参考訳（メタデータ） (2024-09-23T22:30:28Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Time-Varying Propensity Score to Bridge the Gap between the Past and Present [104.46387765330142]
  本稿では,データ分布の段階的変化を検出するための時間変化確率スコアを提案する。 実装のさまざまな方法を示し、さまざまな問題について評価する。
  論文  参考訳（メタデータ） (2022-10-04T07:21:49Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• 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。