論文の概要: Drift-Aware Online Dynamic Learning for Nonstationary Multivariate Time Series: Application to Sintering Quality Prediction

• arxiv url: http://arxiv.org/abs/2604.09358v1
• Date: Fri, 10 Apr 2026 14:30:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.902839
• Title: Drift-Aware Online Dynamic Learning for Nonstationary Multivariate Time Series: Application to Sintering Quality Prediction
• Title（参考訳）: 非定常多変量時系列に対するドリフト対応オンライン動的学習:焼結品質予測への応用
• Authors: Yumeng Zhao, Shengxiang Yang, Xianpeng Wang,
• Abstract要約: 堅牢な多時間予測性能を維持するために,DA-MSDL(Drift-Aware Multi-Scale Dynamic Learning)フレームワークを提案する。 提案フレームワークは,非定常環境における品質モニタリングに有効なオンライン動的学習パラダイムを提供する。
• 参考スコア（独自算出の注目度）: 8.77587871192859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of nonstationary multivariate time series remains a critical challenge in complex industrial systems such as iron ore sintering. In practice, pronounced concept drift compounded by significant label verification latency rapidly degrades the performance of offline-trained models. Existing methods based on static architectures or passive update strategies struggle to simultaneously extract multi-scale spatiotemporal features and overcome the stability-plasticity dilemma without immediate supervision. To address these limitations, a Drift-Aware Multi-Scale Dynamic Learning (DA-MSDL) framework is proposed to maintain robust multi-output predictive performance via online adaptive mechanisms on nonstationary data streams. The framework employs a multi-scale bi-branch convolutional network as its backbone to disentangle local fluctuations from long-term trends, thereby enhancing representational capacity for complex dynamic patterns. To circumvent the label latency bottleneck, DA-MSDL leverages Maximum Mean Discrepancy (MMD) for unsupervised drift detection. By quantifying online statistical deviations in feature distributions, DA-MSDL proactively triggers model adaptation prior to inference. Furthermore, a drift-severity-guided hierarchical fine-tuning strategy is developed. Supported by prioritized experience replay from a dynamic memory queue, this approach achieves rapid distribution alignment while effectively mitigating catastrophic forgetting. Long-horizon experiments on real-world industrial sintering data and a public benchmark dataset demonstrate that DA-MSDL consistently outperforms representative baselines under severe concept drift. Exhibiting strong cross-domain generalization and predictive stability, the proposed framework provides an effective online dynamic learning paradigm for quality monitoring in nonstationary environments.
• Abstract（参考訳）: 非定常多変量時系列の正確な予測は、鉄鉱石焼結のような複雑な産業システムにおいて重要な課題である。 実のところ、ラベル検証の遅延が重なったコンセプトドリフトは、オフラインで訓練されたモデルの性能を急速に低下させる。 静的アーキテクチャやパッシブ更新戦略に基づく既存手法は,複数スケールの時空間的特徴を同時に抽出し,即時監視なしで安定性・塑性ジレンマを克服するのに苦労する。 これらの制約に対処するため、Drift-Aware Multi-Scale Dynamic Learning (DA-MSDL) フレームワークが提案され、非定常データストリーム上のオンライン適応機構を介して、堅牢なマルチ出力予測性能を維持する。 このフレームワークは、長期的傾向から局所的なゆらぎを分散させ、複雑な動的パターンの表現能力を高めるために、バックボーンとしてマルチスケールの分岐畳み込みネットワークを使用している。 ラベル遅延ボトルネックを回避するため、DA-MSDLは最大平均離散(MMD)を利用して教師なしドリフト検出を行う。 特徴分布のオンライン統計偏差を定量化することにより、DA-MSDLは推論に先立ってモデル適応を積極的にトリガーする。 さらに,ドリフト重大誘導型階層的微調整戦略を開発した。 動的メモリキューからの優先的なエクスペリエンスリプレイの支援により、破滅的な忘れを効果的に軽減しつつ、迅速な分散アライメントを実現する。 実世界の工業焼結データと公開ベンチマークデータセットの長期実験は、DA-MSDLが厳密なコンセプトドリフトの下で代表ベースラインを一貫して上回っていることを示している。 強力なクロスドメインの一般化と予測安定性を排除し,非定常環境における品質モニタリングに有効なオンライン動的学習パラダイムを提供する。

関連論文リスト

• Learn Structure, Adapt on the Fly: Multi-Scale Residual Learning and Online Adaptation for Aerial Manipulators [2.376629619475859]
  自律型空中マニピュレータ(AAM)は本質的に非定常・多スケール残留力学を示す非線形系である。 本稿では,AAMにおけるリアルタイム残差モデリングと補償のための予測適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-12T08:02:43Z)
• OLR-WAA: Adaptive and Drift-Resilient Online Regression with Dynamic Weighted Averaging [7.146027549101716]
  「OLR-WAA:動的重み付き平均値をもつ適応的で弾力性のあるオンライン回帰」 本稿では, 動的重み付き平均値をもつ適応的かつ弾力性のあるオンライン回帰システムOLR-WAAを紹介する。
  論文  参考訳（メタデータ） (2025-12-14T17:39:51Z)
• Online Kernel Dynamic Mode Decomposition for Streaming Time Series Forecasting with Adaptive Windowing [3.6194446038160315]
  WORK-DMD(Windowed Online Random Kernel Dynamic Mode Decomposition)を導入する。 WORK-DMDはローリングウィンドウ内でシャーマン・モリソンの更新を採用しており、現在のデータのみから進化するダイナミックスへの継続的な適応を可能にしている。 いくつかの領域にわたるベンチマークデータセットの実験は、WORK-DMDがいくつかの最先端のオンライン予測手法よりも高い精度を達成することを示している。
  論文  参考訳（メタデータ） (2025-10-17T07:57:37Z)
• Lyapunov-Stable Adaptive Control for Multimodal Concept Drift [1.4864895279988264]
  本稿では,概念ドリフトの存在下での頑健なマルチモーダル学習のための適応制御フレームワークLS-OGDを紹介する。 有界ドリフト条件下では、LS-OGD系の予測誤差は一様に有界となり、ドリフトが停止すると0に収束する。
  論文  参考訳（メタデータ） (2025-10-09T18:55:26Z)
• Unsupervised Online 3D Instance Segmentation with Synthetic Sequences and Dynamic Loss [52.28880405119483]
  教師なしのオンライン3Dインスタンスのセグメンテーションは、基本的だが難しい課題だ。 UNITのような既存の手法はこの方向に進んできたが、訓練の多様性が制限されているままである。 本稿では,合成点雲列生成によるトレーニング分布の強化を目的とした新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T08:53:27Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• 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)
• DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load Forecasting with LSTM Networks [1.3342521220589318]
  ドリフト等級閾値は、ドリフトを識別するための変化検出方法を設計するために定義されるべきである。 本稿では,負荷予測モデルの性能向上を図るための動的ドリフト適応長短期メモリ(DA-LSTM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-15T16:26:03Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。