論文の概要: Reversible Residual Normalization Alleviates Spatio-Temporal Distribution Shift
- arxiv url: http://arxiv.org/abs/2604.15838v1
- Date: Fri, 17 Apr 2026 08:40:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-20 22:00:19.832503
- Title: Reversible Residual Normalization Alleviates Spatio-Temporal Distribution Shift
- Title（参考訳）: 可逆的残留正規化は時空間分布シフトを緩和する
- Authors: Zhaobo Hu, Vincent Gauthier, Mehdi Naima,
- Abstract要約: 本研究では,空間的,時間的両次元の分布シフトに対応するために,空間的に認識可能な可逆正規化を行うフレームワークであるReversible Residual Normalization (NRR)を提案する。
提案手法は,可逆的残差ブロック内にグラフ畳み込み操作を統合し,可逆性を維持しつつ,基礎となるグラフ構造を尊重する適応正規化を可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distribution shift severely degrades the performance of deep forecasting models. While this issue is well-studied for individual time series, it remains a significant challenge in the spatio-temporal domain. Effective solutions like instance normalization and its variants can mitigate temporal shifts by standardizing statistics. However, distribution shift on a graph is far more complex, involving not only the drift of individual node series but also heterogeneity across the spatial network where different nodes exhibit distinct statistical properties. To tackle this problem, we propose Reversible Residual Normalization (RRN), a novel framework that performs spatially-aware invertible transformations to address distribution shift in both spatial and temporal dimensions. Our approach integrates graph convolutional operations within invertible residual blocks, enabling adaptive normalization that respects the underlying graph structure while maintaining reversibility. By combining Center Normalization with spectral-constrained graph neural networks, our method captures and normalizes complex Spatio-Temporal relationships in a data-driven manner. The bidirectional nature of our framework allows models to learn in a normalized latent space and recover original distributional properties through inverse transformation, offering a robust and model-agnostic solution for forecasting on dynamic spatio-temporal systems.
- Abstract（参考訳）: 分布シフトは、深い予測モデルの性能を著しく低下させる。
この問題は個々の時系列でよく研究されているが、時空間領域において重要な課題である。
インスタンス正規化とその変種のような効果的な解は、統計を標準化することで時間シフトを緩和することができる。
しかし、グラフ上の分布シフトはより複雑であり、個々のノード列のドリフトだけでなく、異なるノードが異なる統計的性質を示す空間ネットワーク全体の不均一性も伴う。
この問題に対処するために,空間的および時間的次元の分布シフトに対応するために,空間的に認識可能な可逆変換を行う新しいフレームワークであるReversible Residual Normalization (RRN)を提案する。
提案手法は,可逆的残差ブロック内にグラフ畳み込み操作を統合し,可逆性を維持しつつ,基礎となるグラフ構造を尊重する適応正規化を可能にする。
中心正規化とスペクトル制約付きグラフニューラルネットワークを組み合わせることで、データ駆動方式で複雑な時空間関係をキャプチャし、正規化する。
フレームワークの双方向性により、モデルが正規化された潜在空間で学習し、逆変換によって元の分布特性を復元し、動的時空間の予測に頑健でモデルに依存しないソリューションを提供する。
関連論文リスト
- Parallel Complex Diffusion for Scalable Time Series Generation [50.01609741902786]
PaCoDiは周波数領域における生成モデリングを分離するスペクトルネイティブアーキテクチャである。
本研究では,PaCoDiが生成品質と推論速度の両方において,既存のベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2026-02-10T14:31:53Z) - Deep Delta Learning [91.75868893250662]
本稿では,標準残差接続を一般化した新しいアーキテクチャであるDeep Delta Learning(DDL)を紹介する。
我々はこの演算子のスペクトル解析を行い、ゲート$(mathbfX)$がアイデンティティマッピング、投影、幾何反射のダイナミックな相互作用を可能にすることを示した。
この統合により、ネットワークは階層的な遷移作用素のスペクトルを明示的に制御することができ、複雑な非単調力学のモデリングを可能にする。
論文 参考訳（メタデータ） (2026-01-01T18:11:38Z) - Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。
シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。
そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
論文 参考訳（メタデータ） (2025-11-13T03:10:39Z) - IBN: An Interpretable Bidirectional-Modeling Network for Multivariate Time Series Forecasting with Variable Missing [6.481926629151858]
IBN(Interpretable Bidirectional-modeling Network)を提案する。
IBNがUncertainty-Aware Interpolation (UAI)とGraph Convolution (GGCN)を統合した
実験により、ISNは様々な欠落したシナリオ下で最先端の予測性能を達成することが示された。
論文 参考訳（メタデータ） (2025-09-09T13:27:21Z) - Generalized Linear Mode Connectivity for Transformers [87.32299363530996]
驚くべき現象はリニアモード接続(LMC)であり、独立に訓練されたモデルを低損失またはゼロ損失の経路で接続することができる。
以前の研究は主に置換によるニューロンの並べ替えに焦点を合わせてきたが、そのようなアプローチは範囲に限られている。
我々は、4つの対称性クラス(置換、半置換、変換、一般可逆写像)をキャプチャする統一的なフレームワークを導入する。
この一般化により、独立に訓練された視覚変換器とGPT-2モデルの間の低障壁とゼロバリア線形経路の発見が可能となった。
論文 参考訳（メタデータ） (2025-06-28T01:46:36Z) - Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。
FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文 参考訳（メタデータ） (2025-06-10T18:40:20Z) - DRAN: A Distribution and Relation Adaptive Network for Spatio-temporal Forecasting [19.064628208136273]
本稿では,動的に適応し,時間とともに変化に適応できる分布関係適応ネットワーク(DRAN)を提案する。
正規化非正規化プロセスを可能にする空間因子学習モジュール(SFL)を開発した。
本手法は,気象予報や交通流予測タスクにおける最先端手法より優れている。
論文 参考訳（メタデータ） (2025-04-02T09:18:43Z) - GinAR: An End-To-End Multivariate Time Series Forecasting Model Suitable for Variable Missing [21.980379175333443]
本稿では,グラフ補間注意再帰ネットワーク(GinAR)を提案する。
GinARでは、2つの重要なコンポーネント、すなわち注意と適応グラフの畳み込みで構成されている。
5つの実世界のデータセットで実施された実験では、GinARは11のSOTAベースラインより優れており、90%の変数が欠落している場合でも、すべての変数の将来の値を正確に予測できる。
論文 参考訳（メタデータ） (2024-05-18T16:42:44Z) - Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2024-03-14T02:26:10Z) - Generative Model without Prior Distribution Matching [26.91643368299913]
変分オートエンコーダ(VAE)とその変分は、いくつかの先行分布を満たすために低次元の潜在表現を学習することによって古典的な生成モデルである。
我々は、先行変数に適合させるのではなく、先行変数が埋め込み分布と一致するように提案する。
論文 参考訳（メタデータ） (2020-09-23T09:33:24Z)
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。