論文の概要: Online Irregular Multivariate Time Series Forecasting via Uncertainty-Driven Dual-Expert Calibration

• arxiv url: http://arxiv.org/abs/2605.28603v1
• Date: Wed, 27 May 2026 15:19:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.157631
• Title: Online Irregular Multivariate Time Series Forecasting via Uncertainty-Driven Dual-Expert Calibration
• Title（参考訳）: 不確実性駆動型デュアルエキスパートキャリブレーションによるオンライン不規則多変量時系列予測
• Authors: Haonan Wen, Hanyang Chen, Songhe Feng,
• Abstract要約: オンラインIMTS予測の問題について検討し、不確実性駆動型デュアルエキスパートキャリブレーションフレームワークであるUnder-Caliを提案する。 我々は、推論と適応プロセスを共同で管理するコア制御信号として機能する不確実性推定器を設計する。 Under-Caliはソース予測モデルを凍結させ、軽量でモデルに依存しないキャリブレーションモジュールを通してのみ適応を行う。
• 参考スコア（独自算出の注目度）: 31.363361402231835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Irregular multivariate time series forecasting is critical in many real-world applications, where time series are irregularly sampled and exhibit dynamically evolving missingness patterns. Although existing methods perform well in offline settings, they often suffer from significant performance degradation when deployed online due to dynamic shifts in data distribution. Maintaining forecasting capability in such dynamic scenarios typically necessitates online adaptation techniques. Since irregular sampling fundamentally undermines temporal continuity and periodicity, we cannot leverage these widely studied characteristics from regular MTS for online learning. To this end, we study the problem of online IMTS forecasting and propose Under-Cali, an uncertainty-driven dual-expert calibration framework consisting of three core components: an uncertainty estimator, a dual-expert calibration module, and an adaptive routing module. We design an uncertainty estimator that serves as the core control signal to jointly manage inference and adaptation processes. In our framework, the uncertainty estimator first assesses uncertainty for each incoming batch. The adaptive routing module then directs samples with high uncertainty to the unreliable expert for calibration, while low uncertainty samples remain with the reliable expert. Subsequently, the system updates the reliable expert and the uncertainty estimator using well-calibrated reliable samples, and updates the unreliable expert with challenging samples, enabling stable and efficient online learning. Under-Cali keeps the source forecasting model frozen and performs adaptation only through a lightweight, model-agnostic calibration module, enabling efficient adaptation. Extensive experiments on IMTS benchmarks demonstrate consistent improvements with low computational cost. Our code is available at https://github.com/HaonanWen/Under-Cali.
• Abstract（参考訳）: 不規則な多変量時系列予測は、多くの実世界のアプリケーションにおいて重要であり、時系列は不規則にサンプリングされ、動的に変化する欠落パターンを示す。 既存のメソッドはオフライン環境ではうまく機能するが、データ分散の動的シフトにより、オンラインにデプロイされた場合、パフォーマンスが大幅に低下することが多い。 このような動的なシナリオにおける予測能力を維持するには、通常、オンライン適応技術が必要である。 不規則サンプリングは時間的連続性と周期性を根本的に損なうため、オンライン学習において通常のMSSから広く研究されている特徴を活用できない。 この目的のために,オンラインIMTS予測の課題について検討し,不確実性を考慮した3つのコアコンポーネント(不確実性推定器,デュアルエキスパートキャリブレーションモジュール,適応的ルーティングモジュール)からなる,不確実性駆動型デュアルエキスパートキャリブレーションフレームワークであるUnder-Caliを提案する。 我々は、推論と適応プロセスを共同で管理するコア制御信号として機能する不確実性推定器を設計する。 本フレームワークでは,まず,入ってくるバッチ毎に不確実性を評価する。 適応的なルーティングモジュールは、信頼性の低いサンプルを信頼できない専門家に校正する一方で、信頼性の低いサンプルを信頼性の高い専門家に指示する。 その後、システムは信頼性の高い専門家と不確実性推定器を精査した信頼性の高いサンプルを用いて更新し、信頼性の低い専門家を挑戦的なサンプルで更新し、安定的で効率的なオンライン学習を可能にする。 Under-Caliは、ソース予測モデルを凍結させ、軽量でモデルに依存しないキャリブレーションモジュールを通してのみ適応し、効率的な適応を可能にする。 IMTSベンチマークの大規模な実験では、計算コストの低い一貫した改善が示されている。 私たちのコードはhttps://github.com/HaonanWen/Under-Cali.comで公開されています。

関連論文リスト

• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Unsupervised Confidence Calibration for Reasoning LLMs from a Single Generation [2.526814143603023]
  言語モデルの推論は、ますます複雑なタスクを解決することができるが、信頼性の高いデプロイメントに必要なキャリブレーションされた信頼推定を生成するのに苦労する。 推論時間に1世代しか利用できない場合,LLMを推論するための教師なし信頼度校正手法を提案する。 このアプローチでは、ラベル付きデータのオフラインサンプリングを使用して、自己整合性ベースのプロキシターゲットを導出し、この信号を軽量なデプロイメント時間信頼性予測器に蒸留する。
  論文  参考訳（メタデータ） (2026-04-21T13:25:25Z)
• Advancing Reliable Test-Time Adaptation of Vision-Language Models under Visual Variations [67.35596444651037]
  視覚言語モデル(VLM)は、素晴らしいゼロショット機能を示すが、ラベル付きデータが利用できない場合、下流タスクの分散シフトに苦慮する。 本稿では,信頼性を両面から高めるReliable Test-Time Adaptation (ReTA)法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T05:37:33Z)
• Enhancing accuracy of uncertainty estimation in appearance-based gaze tracking with probabilistic evaluation and calibration [13.564919425738163]
  外見に基づく視線追跡の不確実性は、信頼性の高い下流アプリケーションを保証するために重要である。 現在の不確実性認識アプローチでは、トレーニングデータセット内の分布に従って不確実性を取得する確率論的モデルを採用している。 トレーニングされたモデルの不確かさを推定する際のバイアスを軽減するために,確率校正に基づく補正戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-24T19:33:55Z)
• Selective Learning: Towards Robust Calibration with Dynamic Regularization [79.92633587914659]
  ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。 トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
  論文  参考訳（メタデータ） (2024-02-13T11:25:20Z)
• Calibration-Aware Bayesian Learning [37.82259435084825]
  本稿では、キャリブレーション対応ベイズニューラルネットワーク(CA-BNN)と呼ばれる統合フレームワークを提案する。 ベイズ学習のように変分分布を最適化しながら、データ依存あるいはデータ非依存の正則化をそれぞれ適用する。 予測キャリブレーション誤差(ECE)と信頼性図を用いて,提案手法の利点を検証した。
  論文  参考訳（メタデータ） (2023-05-12T14:19:15Z)
• DELTA: degradation-free fully test-time adaptation [59.74287982885375]
  テスト時間バッチ正規化(BN)や自己学習といった,一般的な適応手法では,2つの好ましくない欠陥が隠されていることがわかった。 まず、テスト時間BNにおける正規化統計は、現在受信されているテストサンプルに完全に影響され、その結果、不正確な推定結果が得られることを明らかにする。 第二に、テスト時間適応中にパラメータ更新が支配的なクラスに偏っていることを示す。
  論文  参考訳（メタデータ） (2023-01-30T15:54:00Z)

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。