論文の概要: Temporal-Spectral Alignment with Frequency Adaptation for Source-Free Time-Series Adaptation

• arxiv url: http://arxiv.org/abs/2606.23120v1
• Date: Mon, 22 Jun 2026 10:05:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 00:02:28.272968
• Title: Temporal-Spectral Alignment with Frequency Adaptation for Source-Free Time-Series Adaptation
• Title（参考訳）: 音源自由時系列適応のための周波数適応を用いた時間スペクトルアライメント
• Authors: Shichang Meng, Linquan Wu, Xuan Ai, Linqi Song,
• Abstract要約: 本稿では,周波数適応型時間スペクトルアライメント(SAFA)という手法を提案する。 まず、時間的依存関係とスペクトル特性を連成して、複数のスケールでソースドメインをモデル化する。 対象領域における時系列データに適応するために、周波数領域におけるターゲット信号の位相と振幅を変調してソース分布と整合させるトレーニング可能な周波数適応モジュールを導入する。
• 参考スコア（独自算出の注目度）: 19.2857226833514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The goal of source-free domain adaptation (SFDA) for time-series data is to transfer knowledge from a pre-trained source model to an unlabeled target domain without requiring access to source data, while addressing feature shift and temporal drift inherent in the signals. Although existing approaches have explored temporal dynamics in unsupervised source-free adaptation, they largely overlook spectral shifts in time-series data. Towards this end, we propose a novel approach termed temporal-Spectral Alignment with Frequency Adaptation (SAFA) for source-free time-series domain adaptation. Specifically, we first model the source domain at multiple scales by jointly capturing temporal dependencies and spectral characteristics. To adapt time-series data in the target domain, we introduce a trainable frequency adaptation module that modulates the phase and amplitude of target signals in the frequency domain to align them with the source distribution. Extensive experiments on multiple benchmark datasets demonstrate the efficacy and robustness of SAFA.
• Abstract（参考訳）: 時系列データに対するソースフリードメイン適応(SFDA)の目標は、訓練済みのソースモデルから、ソースデータへのアクセスを必要とせずに、トレーニング済みのソースモデルからラベルなしのターゲットドメインに知識を転送することである。 既存のアプローチでは、教師なしのソースフリー適応における時間的ダイナミクスを探索しているが、時系列データにおけるスペクトルシフトを概ね見落としている。 そこで本研究では,周波数適応を用いた時間スペクトルアライメント(SAFA)という手法を提案する。 具体的には、まず、時間的依存関係とスペクトル特性を協調的にキャプチャすることで、複数のスケールでソースドメインをモデル化する。 対象領域における時系列データに適応するために、周波数領域におけるターゲット信号の位相と振幅を変調してソース分布と整合させるトレーニング可能な周波数適応モジュールを導入する。 複数のベンチマークデータセットに対する大規模な実験は、SAFAの有効性と堅牢性を示している。

関連論文リスト

• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• TimeRadar: A Domain-Rotatable Foundation Model for Time Series Anomaly Detection [41.0416229540611]
  時系列基礎モデル(TSFM)は主に、予め定義された時間または周波数領域内で、一般的なパターンと規則的なパターンを学習することに焦点を当てている。 TimeRadarは、いくつかの時間周波数領域で構築された革新的なTSFMで、さまざまな未知のデータセットをまたいだ一般TSADをサポートする。
  論文  参考訳（メタデータ） (2026-02-22T06:53:45Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Deciphering Invariant Feature Decoupling in Source-free Time Series Forecasting with Proxy Denoising [18.997461947153496]
  TimePDは、プロキシを飾るソースフリーの時系列予測フレームワークである。 実世界のデータセットに関する大規模な実験は、TimePDの有効性についての洞察を提供する。
  論文  参考訳（メタデータ） (2025-10-07T05:29:18Z)
• 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)
• Temporal Restoration and Spatial Rewiring for Source-Free Multivariate Time Series Domain Adaptation [33.4020332674136]
  Source-Free Domain Adaptation (SFDA)は、アノテートされたソースドメインから、ソースデータにアクセスすることなく、未実装のターゲットドメインに事前トレーニングされたモデルを適用することを目的としている。 MTSデータに適した新規かつ簡潔なSFDA法であるTERSE(Temporal Restoration and Space Rewiring)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T11:44:13Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Source-Free Domain Adaptation with Temporal Imputation for Time Series Data [19.616201184995532]
  ソースフリードメイン適応(SFDA)は、ラベル付きソースドメインからラベルなしターゲットドメインへの事前訓練されたモデルを、ソースドメインデータにアクセスすることなく適応することを目的としている。 視覚的応用が盛んであるにもかかわらず、SFDAは時系列アプリケーションではほとんど探索されていない。 本稿では,時系列データ,すなわちMAskとimPUteに対して,ソースフリーなドメイン適応をシンプルかつ効果的に行う手法を提案する。
  論文  参考訳（メタデータ） (2023-07-14T14:22:03Z)

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。