論文の概要: Modeling Dynamic Mixtures of Time-Delay Systems from Streaming Time Series

• arxiv url: http://arxiv.org/abs/2605.26191v1
• Date: Mon, 25 May 2026 11:42:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.281901
• Title: Modeling Dynamic Mixtures of Time-Delay Systems from Streaming Time Series
• Title（参考訳）: ストリーミング時系列からの時間遅延システムの動的混合のモデル化
• Authors: Ren Fujiwara, Yasuko Matsubara, Yasushi Sakurai,
• Abstract要約: 本研究では,入力-出力関係が明確である時系列データストリームにおける適応モデリングの問題に対処する。 正確性、堅牢性、メモリ使用量のトレードオフは、時系列パターンごとに複数の小さなモデルを使用することによって生じる。 本稿では,ストリーミング時系列を動的に混合した時間遅延システムとして扱うオンラインフレームワーク/手法を提案する。
• 参考スコア（独自算出の注目度）: 17.084943743566217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This research addresses the problem of adaptive modeling in time-series data streams with clear input-output relationships. This problem is challenging because rapid system changes (regime shifts) caused by environmental factors or input delay changes degrade model performance, and the trade-off among accuracy, robustness, and memory usage arises when using multiple small models for each time-series pattern. To address these issues, this paper presents an online framework/method that treats streaming time series as dynamic mixtures of time-delay systems. This framework maintains robustness of model tracking and reduces memory usage by summarizing past regimes using a fixed-length representation that captures both the system dynamics and input-output delays. Concretely, this approach constructs a summary system tensor using the system's Markov parameter series, capturing both dynamic behavior and delay characteristics. If necessary, a tensor decomposition algorithm extracts relevant past models from the tensor and helps select the system that best fits the current regime. This method enables rapid adaptation to environmental changes and is computationally efficient. Tests on real datasets show that DelayMix consistently outperforms other methods, achieving superior forecast accuracy and faster adaptation to delays, especially for highly non-stationary data.
• Abstract（参考訳）: 本研究では,入力-出力関係が明確である時系列データストリームにおける適応モデリングの問題に対処する。 この問題は、環境要因や入力遅延による急激なシステム変更(レジリエムシフト)がモデル性能を低下させ、各時系列パターンに複数の小さなモデルを使用する場合、正確性、堅牢性、メモリ使用量のトレードオフが発生するためである。 これらの問題に対処するため,本論文では,ストリーミング時系列を動的に混合した時間遅延システムとして扱うオンラインフレームワーク/手法を提案する。 このフレームワークは、モデル追跡の堅牢性を維持し、システムダイナミクスと入出力遅延の両方をキャプチャする固定長表現を使用して過去のレシスタンスを要約することで、メモリ使用量を削減する。 具体的には,システムのマルコフパラメータ列を用いた要約システムテンソルを構築し,動的挙動と遅延特性の両方をキャプチャする。 必要であれば、テンソル分解アルゴリズムはテンソルから関連する過去のモデルを抽出し、現在の状態に最も適合するシステムを選択するのに役立つ。 この方法は環境変化に迅速に適応でき、計算効率が良い。 実際のデータセットでのテストでは、DelayMixは他のメソッドよりも一貫して優れており、予測精度が向上し、特に非定常的なデータに対する遅延適応が高速化されている。

関連論文リスト

• Time-Varying Deep State Space Models for Sequences with Switching Dynamics [2.309307613420651]
  時間変化状態空間モデルに基づくニューラルネットワークのクラスを提案する。 提案モデルは,基礎関数の辞書を通じて学習可能な時間変化ダイナミクスを提供する。 スイッチングシステムからの合成データと音声認識タスクの両方に対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2026-05-14T18:25:04Z)
• Robust Predictions with Ambiguous Time Delays: A Bootstrap Strategy [5.71557730775514]
  Time Series Model Bootstrap (TSMB) は、時系列モデリングにおいて潜在的に変動または非決定論的な時間遅延を処理するために設計された汎用的なフレームワークである。 TSMBはトレーニングされたモデルの性能を大幅に向上させ、このフレームワークを使って予測する。
  論文  参考訳（メタデータ） (2024-08-23T02:38:20Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• Rough Transformers: Lightweight and Continuous Time Series Modelling through Signature Patching [46.58170057001437]
  本稿では,入力シーケンスの連続時間表現で動作するトランスフォーマーモデルのバリエーションであるRough Transformerを紹介する。 様々な時系列関連タスクにおいて、Rough Transformersはベニラアテンションよりも常に優れています。
  論文  参考訳（メタデータ） (2024-05-31T14:00:44Z)
• Rough Transformers for Continuous and Efficient Time-Series Modelling [46.58170057001437]
  実世界の医療環境における時系列データは、典型的には長距離依存を示し、一様でない間隔で観察される。 本稿では,入力シーケンスの連続時間表現で動作するトランスフォーマーモデルのバリエーションであるRough Transformerを紹介する。 Rough Transformersは、Neural ODEベースのモデルの利点を得ながら、バニラアテンションを一貫して上回ります。
  論文  参考訳（メタデータ） (2024-03-15T13:29:45Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。