論文の概要: Impute On-Demand: Adaptive Correlated Time Series Imputation for Changing Environments

• arxiv url: http://arxiv.org/abs/2607.23503v1
• Date: Sun, 26 Jul 2026 07:08:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.133528
• Title: Impute On-Demand: Adaptive Correlated Time Series Imputation for Changing Environments
• Title（参考訳）: インプットオン・デマンド:適応的関連時系列インプットによる環境変化
• Abstract要約: Internet of Things(IoT)アプリケーションは、しばしば欠落した値を含み、計算を必要とする大量のCorrelated Time Series(CTS)データを生成する。 環境変化のための適応型CTSインバータであるAdaCTSiを提案する。 単一のトレーニングされたモデルは、センサーサブセットとリソース適応推論をサポートし、その控えめなメモリフットプリントは、コモディティコンピューティングデバイスへのデプロイを可能にする。
• 参考スコア（独自算出の注目度）: 40.05961815531593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Internet of Things (IoT) applications generate vast amounts of Correlated Time Series (CTS) data that often contain missing values and require imputation. Existing methods emphasize accuracy but often lack adaptability to changing IoT environments: they are vulnerable to sensor failures, cannot selectively impute only incomplete sensors, and use static architectures that do not adapt to resource availability. To address these limitations, we propose AdaCTSi, an adaptive CTS imputer for changing environments. AdaCTSi combines a One-shot Temporal Convolutional Network with a Learned Time-Sensor Index Table to extract and decouple complex spatio-temporal features into sensor-wise embeddings, enabling adaptation to varying sensor subsets. Sparse Spatial Attention efficiently extracts dynamic spatial correlations, while Correlation-Weighted Sensor Selection selects informative sensors to provide sufficient spatial context. Experiments with twelve baseline methods, three adaptability scenarios, and five benchmark datasets covering traffic, air quality, and trajectory data show that AdaCTSi reduces MAE by an average of 33.1% relative to the strongest baseline on each dataset. A single trained model supports sensor-subset and resource-adaptive inference, and its modest memory footprint enables deployment on commodity computing devices, including MCUs.
• Abstract（参考訳）: Internet of Things(IoT)アプリケーションは、しばしば欠落した値を含み、計算を必要とする大量のCorrelated Time Series(CTS)データを生成する。 既存の方法は正確さを強調しているが、IoT環境の変更への適応性に欠けることが多い。センサ障害に対して脆弱で、不完全なセンサのみを選択的にインプットすることができず、リソースの可用性に適応しない静的アーキテクチャを使用する。 これらの制約に対処するため,環境変化のための適応型CTSインバータであるAdaCTSiを提案する。 AdaCTSiはワンショットの時間畳み込みネットワークと学習時間センサインデックステーブルを組み合わせることで、複雑な時空間的特徴をセンサワイドな埋め込みに抽出し分離し、様々なセンサーサブセットへの適応を可能にする。 疎空間注意は動的空間相関を効率的に抽出し、相関重みセンサ選択は情報センサを選択し、十分な空間コンテキストを提供する。 12の基準線法、3つの適応性シナリオ、5つのベンチマークデータセットによる実験により、AdaCTSiは各データセット上で最強の基準線に対して平均33.1%のMAEを減少させることが示された。 単一のトレーニングされたモデルは、センサーサブセットとリソース適応推論をサポートし、その控えめなメモリフットプリントは、MCUを含むコモディティコンピューティングデバイスへのデプロイを可能にする。

関連論文リスト

• SeT-Diff: Towards Semantic Foundation Models for HPC Telemetry and Time-Series [1.6138291258655066]
  HPCの現在の機械学習アプローチとそのテレメトリは、単一のタスクに適した匿名の固定位置センサー変数の静的サブセットに依存している。 本稿では,ノードテレメトリと時系列データの最初の基礎モデルであるSeT-Diffを提案する。 実世界のスーパーコンピュータデータセットの実験では、復元作業における平均絶対誤差(MAE)が0.0470であることを示した。
  論文  参考訳（メタデータ） (2026-05-11T00:43:50Z)
• Triple Spectral Fusion for Sensor-based Human Activity Recognition [86.21994396715074]
  本稿では,センサを用いたヒューマンアクティビティ認識(HAR)に適した新しい三重スペクトル融合フレームワークを提案する。 雑音抑制のための適応的な補間フィルタリング手法を開発し,各IMUセンサを姿勢・運動モードノードに整理する。 適応ウェーブレット周波数選択手法により、コンテキストの冗長性を抑え、特徴の長さを短縮する。
  論文  参考訳（メタデータ） (2026-05-04T15:42:58Z)
• ReSPEC: A Framework for Online Multispectral Sensor Reconfiguration in Dynamic Environments [6.718801307135799]
  センサ,学習,アクティベーションをクローズドなリコンフィグレーションループに統合するフレームワークを導入する。 我々は,このフレームワークを移動体ローバー上で実装し評価し,適応制御がベースラインに比べて5.3%の精度低下で負荷を29.3%削減することを示した。
  論文  参考訳（メタデータ） (2026-02-11T05:39:24Z)
• Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
  本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。 バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2025-08-21T02:46:46Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Decomposing and Fusing Intra- and Inter-Sensor Spatio-Temporal Signal for Multi-Sensor Wearable Human Activity Recognition [12.359681612030682]
  本稿では,モダリティ変数間の関係をよりよくモデル化するDecomposeWHARモデルを提案する。 この分解は、改良されたDepth Separable Convolutionを通じて、各センサ内変数の高次元表現を生成する。 我々のモデルは、広く使われている3つのWHARデータセットにおいて優れた性能を示し、最先端のモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-01-19T01:52:28Z)
• STeInFormer: Spatial-Temporal Interaction Transformer Architecture for Remote Sensing Change Detection [5.4610555622532475]
  マルチ時間特徴抽出のための時空間相互作用変換器アーキテクチャSTeInFormerを提案する。 また、RSCDのスペクトル情報を提供する周波数領域機能を統合するためのパラメータフリー多周波トークンミキサーを提案する。
  論文  参考訳（メタデータ） (2024-12-23T03:40:04Z)
• Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Sensor Fusion [6.963971634605796]
  環境およびバイオメディカル領域における低コストで分散センサーネットワークは、継続的な大規模健康モニタリングを可能にしている。 これらのシステムは、センサーのドリフト、ノイズ、キャリブレーションの不十分に起因する劣化したデータ品質に関する課題に直面していることが多い。 センサフュージョンとキャリブレーションの伝統的な機械学習手法は、広範な機能工学に依存している。 回帰タスクに適した新しいunsupervised domain adapt(UDA)手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T12:20:57Z)
• Subspace-Configurable Networks [16.786433652213013]
  エッジデバイスのディープラーニングモデルは、知覚されたデータの動的変化に直面した場合、堅牢性に欠けることが多い。 本稿では,パラメータ設定のための最適なネットワークがサブスペースの一部であるネットワークのパラメータ化部分空間を訓練する。 得られた部分空間は低次元であり、入力の複素非可逆変換に対しても驚くほど単純な構造を持つ。
  論文  参考訳（メタデータ） (2023-05-22T23:19:45Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)
• DANA: Dimension-Adaptive Neural Architecture for Multivariate Sensor Data [37.01965391878387]
  ウェアラブルやモバイルデバイスに埋め込まれたモーションセンサーは、センサストリームとサンプリングレートの動的選択を可能にする。 ディープニューラルネットワーク(DNN)は、一定のサンプリングレートで、固定されたセンサーセットからの入力データを処理します。 センサの可利用性やサンプリング率の変化に対して,DNNを柔軟かつ堅牢にするための次元適応型プーリング層を導入する。
  論文  参考訳（メタデータ） (2020-08-05T23:42:03Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。