論文の概要: Robust OT-Guided Generative Residual Domain Adaptation for Bike-Sharing Demand Prediction under Temporal Domain Shift

• arxiv url: http://arxiv.org/abs/2605.23115v1
• Date: Fri, 22 May 2026 00:29:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.139585
• Title: Robust OT-Guided Generative Residual Domain Adaptation for Bike-Sharing Demand Prediction under Temporal Domain Shift
• Title（参考訳）: 時間領域シフトを考慮したロバストOT誘導残留領域適応による自転車共有需要予測
• Authors: Yiming Ma,
• Abstract要約: 本稿では,2021年から2026年までの3月シティ自転車需要予測を時間領域適応問題として検討する。 Gen-ROTDAは、ロバストなトランスポート誘導残留ドメイン適応フレームワークである。 実験では、Gen-ROTDAと、アンカーオンリー、ソースオンリー、ターゲットオンリー、微調整、MDD適応、シンクホーンOTDA、RotDA、Gen-OTDAを比較した。
• 参考スコア（独自算出の注目度）: 2.504808696850313
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bike-sharing models trained on historical station-hour data may degrade when deployed in later years because travel patterns change over time. This paper studies March Citi Bike demand prediction from 2021 to 2026 as a temporal domain adaptation problem and proposes Gen-ROTDA, a robust optimal transport-guided residual domain adaptation framework. The method fits a target-domain station-time anchor with a small labeled target subset, transfers residual rather than raw demand, applies a deterministic label-preserving residual feature generator, and trims high-cost transport matches before training the final residual predictor. Experiments compare Gen-ROTDA with anchor-only, source-only, target-only, fine-tuning, MMD adaptation, Sinkhorn OTDA, ROTDA, and Gen-OTDA. Gen-ROTDA achieves the lowest MAE on the main 2025 to 2026 task and is the best OT-family method on average across multi-year tasks, although fine-tuning and MMD adaptation remain strong overall baselines. Under abnormal target-unlabeled records, Gen-ROTDA is much more stable than non-robust OT variants, suggesting that robust transport is useful for noisy temporal transfer in bike-sharing demand prediction.
• Abstract（参考訳）: 過去の駅時間データに基づいてトレーニングされた自転車シェアリングモデルは、旅行パターンが時間とともに変化するため、後年デプロイされると劣化する可能性がある。 本稿では,2021年から2026年までの3月のシティ自転車需要予測を時間領域適応問題として検討し,頑健な輸送誘導残留領域適応フレームワークであるGen-ROTDAを提案する。 この方法は、目標ドメインのステーションタイムアンカーを小さなラベル付きターゲットサブセットに適合させ、原需要よりも残留を移動させ、決定論的ラベル保存残差特徴発生器を適用し、最終残差予測器を訓練する前に高コストの輸送マッチをトリムする。 実験では、Gen-ROTDAと、アンカーオンリー、ソースオンリー、ターゲットオンリー、微調整、MDD適応、シンクホーンOTDA、RotDA、Gen-OTDAを比較した。 Gen-ROTDAは2025年から2026年のタスクで最低のMAEを達成し、マルチ年のタスクで平均最高のOTファミリー法である。 異常な未ラベル記録の下では、Gen-ROTDAは非ローバストOTの変種よりもずっと安定しており、ロバスト輸送は自転車シェアリング需要予測におけるノイズのある時間移動に有用であることが示唆されている。

関連論文リスト

• TaPD: Temporal-adaptive Progressive Distillation for Observation-Adaptive Trajectory Forecasting in Autonomous Driving [10.160418242076284]
  軌道予測は自律走行に必須であり、車両は周囲のエージェントの動きを予測できる。 可変履歴長下での観測適応軌道予測のための統一的なプラグアンドプレイフレームワークであるTaPDを提案する。 Argoverse 1 と Argoverse 2 の実験は、TaPD が全ての観測範囲で強い基底線を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-06T12:51:32Z)
• AGMA: Adaptive Gaussian Mixture Anchors for Prior-Guided Multimodal Human Trajectory Forecasting [28.338648039645822]
  本稿では,2つの段階を通して表現的事前を構成するAGMA(Adaptive Gaussian Mixture Anchors)を提案する。 ETH-UCY、Stanford Drone、JRDBデータセットの実験は、AGMAが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-04T04:42:57Z)
• Rethinking the Flow-Based Gradual Domain Adaption: A Semi-Dual Optimal Transport Perspective [47.7700613919136]
  中間領域を構築するためのエントロピー規則化半二重不均衡最適輸送(E-SUOT)フレームワークを提案する。 具体的には、フローベースGDAをラグランジアン双対問題として再構成し、確率推定の必要性を回避するための等価な半双対目的を導出する。
  論文  参考訳（メタデータ） (2026-02-01T12:07:54Z)
• Test-Time Adaptation for Anomaly Segmentation via Topology-Aware Optimal Transport Chaining [10.091031517157411]
  TopoOTはトポロジ対応の最適なトランスポート(OT)フレームワークである。 多重フィルタ永続図(PD)とテスト時間適応(TTA)を統合する。 TopoOTは2Dおよび3D異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-28T07:49:28Z)
• Interval Prediction of Annual Average Daily Traffic on Local Roads via Quantile Random Forest with High-Dimensional Spatial Data [0.0]
  年平均日平均トラフィック(AADT)データは、交通計画とインフラ管理に不可欠である。 最近の機械学習の進歩は、計測されていない場所でのAADT推定を改善した。 本研究では,予測の不確実性を明示的に定量化する区間予測手法を導入することにより,そのギャップを解消する。
  論文  参考訳（メタデータ） (2025-10-21T11:56:57Z)
• Scaling Up Temporal Domain Generalization via Temporal Experts Averaging [108.44248708602221]
  時間領域の一般化は、時間的変化などの時間的分布シフトを一般化することを目的としている。 本稿では, 時間的エキスパート平均化(TEA)を提案する。これは, 一般化ポテンシャルを最大化するために, 重量平均化を用いてモデル全体を更新する, 新しくスケーラブルなTDGフレームワークである。 従来のTDG法では最大69%,効率は最大60倍であった。
  論文  参考訳（メタデータ） (2025-09-30T10:21:44Z)
• OTSurv: A Novel Multiple Instance Learning Framework for Survival Prediction with Heterogeneity-aware Optimal Transport [58.5751036808652]
  全スライド画像(WSI)を用いた生存予測は、多重インスタンス学習(MIL)問題として定式化することができる。 我々は、最適な輸送の観点から、新しいMILフレームワークであるOTSurvを提案する。 我々は6つの人気のあるベンチマークで新しい結果を設定し、平均的なCインデックスで絶対3.6%の改善を達成した。
  論文  参考訳（メタデータ） (2025-06-25T18:09:42Z)
• Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
  最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。 この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-07T23:21:25Z)
• Generative Modeling through the Semi-dual Formulation of Unbalanced Optimal Transport [9.980822222343921]
  非平衡最適輸送(UOT)の半二重定式化に基づく新しい生成モデルを提案する。 OTとは異なり、UOTは分散マッチングの厳しい制約を緩和する。このアプローチは、外れ値に対する堅牢性、トレーニング中の安定性、より高速な収束を提供する。 CIFAR-10ではFIDスコアが2.97、CelebA-HQ-256では6.36である。
  論文  参考訳（メタデータ） (2023-05-24T06:31:05Z)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)

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。