論文の概要: VLBM: Variational Latent Basis Modeling for OOD Robust Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.02138v1
• Date: Mon, 01 Jun 2026 12:05:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.980044
• Title: VLBM: Variational Latent Basis Modeling for OOD Robust Multivariate Time Series Forecasting
• Title（参考訳）: VLBM:OODロバスト多変量時系列予測のための変分潜時基底モデリング
• Authors: Xudong Zhang, Jierui Lei, Jiacheng Li, Lingdong Shen, Jian Cui, Haina Tang,
• Abstract要約: OOD誘起偏差から安定なダイナミクスを分離する理論ガイド付き潜時予測フレームワークを提案する。 12のベンチマークタスクで、VLBMは堅牢性とIDの精度を達成し、平均的なMAEとMSEは15.08%、最強のベースラインは7.74%向上した。 これらの結果は,IDとOODの混合条件下での頑健な予測への原則的経路として,潜在構造予測を支援する。
• 参考スコア（独自算出の注目度）: 10.32643416937193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out of distribution (OOD) events in multivariate time series forecasting are rare but often dominate real world risk, making average case forecasting insufficient for reliable deployment. Under standard average risk training on mixed ID/OOD distributions, optimization signals from rare OOD events can be overwhelmed by frequent in distribution (ID) patterns, so strong benchmark accuracy may not translate into reliability under high impact shifts. To address this issue, we propose VLBM (Variational Latent Basis Model), a theory guided latent forecasting framework that separates stable dynamics from OOD induced deviations. VLBM learns a shared latent basis that defines a low rank subspace for stable ID dynamics, explicitly decomposes inputs into basis subspace components and orthogonal residual components, and aligns a future aware posterior with a future blind prior so that test time latent inference depends only on historical input. Across 12 benchmark tasks spanning transportation, weather, power systems, and other real world domains, including newly constructed real world OOD traffic datasets, VLBM achieves state of the art OOD robustness and ID accuracy, with average MAE and MSE gains of 15.08\% and 7.74\% over the strongest baseline. On a synthetic simulation dataset, VLBM also consistently achieves the best performance and better tracks OOD pulse recovery. These results support latent structured forecasting as a principled route to robust prediction under mixed ID and OOD conditions. The code is available at https://github.com/leijieruilq/VLBM_OOD_forecast.
• Abstract（参考訳）: 多変量時系列予測におけるout of distribution(OOD)イベントは稀であるが、しばしば現実世界のリスクを支配し、平均的なケース予測は信頼性の高いデプロイメントには不十分である。 混合ID/OOD分布の標準的な平均リスクトレーニングでは、希少なOODイベントからの最適化信号は、頻繁な分布(ID)パターンによって圧倒されるため、強いベンチマーク精度は、高いインパクトシフトの下で信頼性に変換されない。 この問題に対処するため,OOD誘起偏差から安定なダイナミクスを分離する理論ガイド付き潜時予測フレームワークであるVLBM(Variational Latent Basis Model)を提案する。 VLBMは、安定したIDダイナミクスのための低階部分空間を定義した共有潜在基底を学習し、入力を基部分空間成分と直交残留成分に明示的に分解し、テスト時間潜時推論が履歴入力にのみ依存するように将来の認識後部を将来の盲点前と整列させる。 VLBMは、輸送、気象、電力システム、および新たに構築された現実世界のOODトラフィックデータセットを含む現実世界のドメインにまたがる12のベンチマークタスクで、最先端のOODロバスト性とIDの精度を達成し、最強のベースライン上で平均15.08\%と7.74\%のMAEとMSEのゲインを達成している。 合成シミュレーションデータセットでは、VLBMは一貫して最高の性能を達成し、OODパルス回復をより良く追跡する。 これらの結果は,IDとOODの混合条件下での頑健な予測への原則的経路として,潜在構造予測を支援する。 コードはhttps://github.com/leijieruilq/VLBM_OOD_forecastで公開されている。

関連論文リスト

• Neural Distribution Prior for LiDAR Out-of-Distribution Detection [6.46053482981698]
  LiDARに基づく認識は、低照度と可視性条件に対する堅牢性のために、自律運転に不可欠である。 現在のモデルはクローズドセットの仮定の下で動作し、しばしばオープンワールドにおける予期せぬアウト・オブ・ディストリビューション(OOD)オブジェクトを認識するのに失敗する。 本稿では,ネットワーク予測の分布構造をモデル化し,学習前の分布とのアライメントに基づいてOODスコアを適応的に再重み付けするフレームワークであるNeural Distribution Prior (NDP)を提案する。
  論文  参考訳（メタデータ） (2026-04-10T11:40:18Z)
• ProOOD: Prototype-Guided Out-of-Distribution 3D Occupancy Prediction [77.70461178466043]
  3Dセマンティック占有予測は自動運転の中心である。 現在の手法は、長い尾のクラスバイアスとアウト・オブ・ディストリビューション(OOD)インプットに弱い。 本稿では,プロトタイプ誘導改良とトレーニング不要なOODスコアを併用した,軽量なプラグアンドプレイ方式ProOODを提案する。
  論文  参考訳（メタデータ） (2026-04-01T16:11:59Z)
• T-QPM: Enabling Temporal Out-Of-Distribution Detection and Domain Generalization for Vision-Language Models in Open-World [0.0]
  アウト・オブ・ディストリビューション(OOD)検出は、オープンワールド学習において依然として重要な課題である。 動的環境下でのOOD検出を強化するための新しい2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-19T04:35:38Z)
• OODBench: Out-of-Distribution Benchmark for Large Vision-Language Models [48.08263342427679]
  現実のシナリオでは、AIシステムによって処理されるすべてのデータが、データが独立して同一に分散されているという仮定を満たすことを期待することは、しばしば非現実的である。 我々は,人間による検証を最小限に抑えたOODBenchを提案する。 画像カテゴリが一般的であっても,現在のVLMではOODBenchの性能劣化が顕著であることを示す。
  論文  参考訳（メタデータ） (2026-02-20T09:34:21Z)
• Feed Two Birds with One Scone: Exploiting Function-Space Regularization for Both OOD Robustness and ID Fine-Tuning Performance [72.57668440744301]
  シミュレーションOODサンプルを用いて,関数空間における微調整モデルと事前学習モデルの距離を制約する新しい正規化を提案する。 このアプローチは、ダウンストリームタスクIDの微調整性能と、さまざまなCLIPバックボーン間のOODロバスト性の両方を一貫して改善できる。
  論文  参考訳（メタデータ） (2025-08-31T12:14:34Z)
• Revisiting Out-of-distribution Robustness in NLP: Benchmark, Analysis, and LLMs Evaluations [111.88727295707454]
  本稿では,NLP分野におけるアウト・オブ・ディストリビューション(OOD)のロバスト性に関する研究を再検討する。 本稿では, 明確な分化と分散の困難さを保証するための, ベンチマーク構築プロトコルを提案する。 我々は,OODロバスト性の分析と評価のための事前学習言語モデルの実験を行った。
  論文  参考訳（メタデータ） (2023-06-07T17:47:03Z)
• Pseudo-OOD training for robust language models [78.15712542481859]
  OOD検出は、あらゆる産業規模のアプリケーションに対する信頼性の高い機械学習モデルの鍵となるコンポーネントである。 In-distribution(IND)データを用いて擬似OODサンプルを生成するPOORE-POORE-POSthoc pseudo-Ood Regularizationを提案する。 我々は3つの現実世界の対話システムに関する枠組みを広く評価し、OOD検出における新たな最先端技術を実現した。
  論文  参考訳（メタデータ） (2022-10-17T14:32:02Z)
• Models Out of Line: A Fourier Lens on Distribution Shift Robustness [29.12208822285158]
  分散外(OOD)データに対するディープニューラルネットワーク(DNN)の精度向上は、現実世界の応用におけるディープラーニング(DL)の受容に不可欠である。 近年、OODの堅牢性を改善するためにいくつかの有望なアプローチが開発されている。 効果的なロバスト性を監視するために必要なOODデータとモデル特性の条件について、いまだに明確な理解が得られていない。
  論文  参考訳（メタデータ） (2022-07-08T18:05:58Z)

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。