論文の概要: Shift Aware Transfer Learning with Adaptive Dual-Encoder Fusion for PM Forecasting in Data-Limited Environments

• arxiv url: http://arxiv.org/abs/2608.14456v1
• Date: Fri, 14 Aug 2026 16:41:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.443432
• Title: Shift Aware Transfer Learning with Adaptive Dual-Encoder Fusion for PM Forecasting in Data-Limited Environments
• Title（参考訳）: データ制限環境におけるPM予測のためのアダプティブデュアルエンコーダフュージョンを用いたシフトアウェア変換学習
• Abstract要約: 微小粒子状物質(PM2.5)の短期水平予測は, 対象領域からの観測が限定される場合, 困難である。 本研究では、ソースドメイン知識とターゲット固有表現学習を組み合わせたシフト対応のデュアルエンコーダ転送フレームワークを開発する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Short-horizon forecasting of fine particulate matter (PM2.5) remains difficult when observations from the target domain are limited and the statistical properties of the source and target domains differ. In these settings, models trained only on local data may not capture complex temporal dynamics, while direct transfer learning can result in negative transfer. This study develops a shift-aware dual-encoder transfer framework that combines source-domain knowledge with target-specific representation learning. The source encoder was pretrained using hourly observations from 10 U.S. monitoring locations. The framework was then adapted and evaluated using two years of hourly observations from 77 stations in Taiwan under a chronological train-validation-test protocol. Among the four principal baselines, the frozen-source dual-encoder model achieved the best performance, with MSE = 21.8960, MAE = 3.1597, and R^2 = 0.8725. This corresponds to an MSE reduction of approximately 7.1% relative to TL-v1 and 4.1% relative to TL-v2. The ablation analysis showed that removing the Taiwan-specific branch caused the largest decline in performance. Allowing the source encoder to adapt produced the best overall result, with MSE = 21.6575, MAE = 3.1383, and R^2 = 0.8739. SHAP analysis indicated that predictions were driven mainly by recent PM2.5 observations and meteorological variables related to pollutant transport and dispersion. These results suggest that source-domain knowledge is most effective when target-specific information is preserved and the transferred representation is allowed to adapt under target supervision.
• Abstract（参考訳）: 粒子状物質(PM2.5)の短期水平予測は、対象領域からの観測が制限され、ソースと対象領域の統計的性質が異なる場合にも困難である。 これらの設定では、局所データのみに基づいてトレーニングされたモデルは複雑な時間的ダイナミクスを捉えず、直接転送学習は負の転送をもたらす可能性がある。 本研究では、ソースドメイン知識とターゲット固有表現学習を組み合わせたシフト対応のデュアルエンコーダ転送フレームワークを開発する。 ソースエンコーダは、米国の10箇所の監視地点から毎時観測によって事前訓練された。 このフレームワークは, 台湾の77駅から, 時系列列車検証プロトコルを用いて, 2年間の時間観測を行い, 評価した。 MSE = 21.8960、MAE = 3.1597、R^2 = 0.8725である。 これは、TL-v1の約7.1%、TL-v2の約4.1%のMSE還元に相当する。 アブレーション分析の結果,台湾特化分枝の除去が最大の性能低下を引き起こした。 MSE = 21.6575、MAE = 3.1383、R^2 = 0.8739である。 SHAP分析では, 主に最近のPM2.5観測と, 汚染物質輸送および分散に関連する気象学的変数によって予測が導かれた。 これらの結果から,ソースドメインの知識は,目標固有情報が保存され,転送された表現が対象監督の下で適応できる場合に最も有効であることが示唆された。

関連論文リスト

• Modalities Should Talk to Each Other: Dual-Stream Multimodal Learning for Long-Horizon Influenza Forecasting [1.2599533416395763]
  一般に入手可能な監視データセットは、通常、数値疫学的信号をノイズと組み合わせ、ゆるやかに構造化され、短期的な傾向にのみ間接的に関係しており、しばしば数値的な信号と相対的に関連付けられている。 我々は,36週間のマルチモーダル履歴から12週間のILI活動を予測するマルチモーダルディープラーニングフレームワークであるDual-Stream Attention (DSA)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T15:20:01Z)
• Do Time-Series Foundation Models Pay Off for Industrial Monitoring? A Cost-Aware Empirical Study [1.8419890068150178]
  時系列基礎モデル(TSFM)は再利用可能な表現とゼロショット予測を約束する。 本研究は,3つの設定にまたがってプロトコルを考慮した経験的評価を示す。
  論文  参考訳（メタデータ） (2026-08-24T08:30:06Z)
• Vision-Language Models for Analog Gauge Reading: An Empirical Study of Specialization, Transfer and Reliability [3.112410411428948]
  本研究は,汎用視覚言語モデル(VLM)の特殊化,伝達,堅牢性,信頼性の体系的評価である。 Qwen2.5-VL-7B-インストラクトモデルは、ゼロショットプロンプト、インコンテキストラーニング(ICL)、および量子化低ランク適応(QLoRA)を用いたパラメータ効率の微調整を用いて評価される。 最高の微調整MPE値は、95%信頼区間(CI)が1.43-3.90%、圧力ゲージデータセットが2.61%、CIが1.66-3.80%、および4.4の合成データセットで2.39%である。
  論文  参考訳（メタデータ） (2026-08-18T12:47:14Z)
• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• TokaMind for Power Grid: Cross-Domain Transfer from Fusion Plasma [0.0]
  TokaMindは、MASTのトカマクプラズマ診断データに基づいて事前訓練された基礎モデルである。 学習された表現が物理的に異なるが構造的に類似した領域に一般化するかどうかを検討する。
  論文  参考訳（メタデータ） (2026-05-10T23:38:26Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• A Comprehensive Forecasting-Based Framework for Time Series Anomaly Detection: Benchmarking on the Numenta Anomaly Benchmark (NAB) [0.0]
  時系列異常検出は、現代のデジタルインフラにとって重要である。 本稿では,従来の手法をディープラーニングアーキテクチャと統合した予測ベースのフレームワークを提案する。 Numenta Anomaly Benchmark の最初の完全評価を行う。
  論文  参考訳（メタデータ） (2025-10-13T08:31:42Z)
• Interpretable AI for Time-Series: Multi-Model Heatmap Fusion with Global Attention and NLP-Generated Explanations [1.331812695405053]
  本稿では,ResNetが生成するヒートマップと,グローバルに重み付けされた入力サリエンシを備えた再構成された2次元変換器を統合することで,モデル解釈可能性を向上させる新しいフレームワークを提案する。 本手法は、勾配重み付きアクティベーションマップ(ResNet)とトランスフォーマーのアテンションロールアウトを統合可視化にマージし、空間的・時間的アライメントを実現する。 臨床(ECG不整脈検出)および産業データセットに関する実証的評価は,有意な改善を示した。
  論文  参考訳（メタデータ） (2025-06-30T20:04:35Z)
• Relation DETR: Exploring Explicit Position Relation Prior for Object Detection [26.03892270020559]
  本稿では,DETR(Detection TRansformer)の収束性と性能を向上させる手法を提案する。 我々の手法であるRelation-DETRは、プログレッシブ・アテンション・リファインメントのための位置関係埋め込みを構築するエンコーダを導入している。 汎用データセットとタスク固有のデータセットの両方の実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2024-07-16T13:17:07Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)
• Mission-Aware Spatio-Temporal Deep Learning Model for UAS Instantaneous Density Prediction [3.59465210252619]
  制御されていない低高度空域での日々のsUAS活動の数は、数年のうちに数百万人に達すると予想されている。 深層学習に基づくUAS瞬時密度予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-03-22T02:40:28Z)

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。