論文の概要: End-to-end Early Classification of Time Series in Non-Stationary Environments

• arxiv url: http://arxiv.org/abs/2608.20044v1
• Date: Thu, 20 Aug 2026 13:47:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.576935
• Title: End-to-end Early Classification of Time Series in Non-Stationary Environments
• Title（参考訳）: 非定常環境における時系列のエンドツーエンド早期分類
• Abstract要約: Early Classification of Time Series (ECTS)は、オンラインおよび進化する環境において、可能な限り正確な意思決定を行う。 既存の手法の多くは定常性を仮定し、分離可能な設計に依存しており、分類とトリガーは独立して最適化されている。 制御されたドリフトシナリオ間で分離可能なアプローチとエンドツーエンドアプローチの体系的比較を行う。
• 参考スコア（独自算出の注目度）: 0.1259953341639576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early Classification of Time Series (ECTS) requires making accurate decisions as early as possible in inherently online and evolving environments. Yet, most existing methods assume stationarity and rely on separable designs, where classification and triggering are optimized independently, an assumption that fundamentally limits their adaptability under drift. In this work, we challenge this paradigm and study ECTS under non-stationary conditions. We provide the first systematic comparison between separable and end-to-end approaches across controlled drifting scenarios. Building on Reinforcement Learning, we introduce DQeND, a unified architecture that jointly learns representation, classification, and triggering decisions, while remaining directly comparable to state-of-the-art separable baselines. Across a wide range of drifts, DQeND demonstrates strong robustness across various non-stationary scenarios, consistently outperforming separable baselines. An ablation study further highlights that jointly updating representation and decision modules is critical to these gains. Overall, our results indicate that end-to-end learning can offer improved adaptation capabilities for ECTS in dynamic environments, and motivate further investigation of alternatives to separable designs.
• Abstract（参考訳）: 時系列の早期分類(ECTS)は、本質的にオンラインおよび進化する環境において、可能な限り正確な決定をする必要がある。 しかし、既存のほとんどの手法は定常性を仮定し、分離可能な設計に依存しており、分類とトリガーは独立に最適化されている。 本研究では,このパラダイムに挑戦し,非定常条件下でのECTSの研究を行う。 制御されたドリフトシナリオ間で分離可能なアプローチとエンドツーエンドアプローチの体系的比較を行う。 強化学習の上に構築されたDQeNDは、表現、分類、トリガー決定を共同で学習する統一アーキテクチャであり、最先端の分離可能なベースラインと直接的に同等である。 広範囲のドリフトにおいて、DQeNDは様々な非定常シナリオにおいて強い堅牢性を示し、一貫して分離可能なベースラインを上回っている。 アブレーション研究は、表現モジュールと決定モジュールを共同で更新することがこれらの利益にとって重要であることを強調している。 以上の結果から,エンド・ツー・エンド・ラーニングは動的環境におけるECTSの適応性を向上し,分離可能な設計の代替案のさらなる研究を動機付けることが示唆された。

関連論文リスト

• Joint-Embedding Predictive Architecture for Sensor-based Activity Recognition [3.775283002059578]
  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)に適した統合埋め込み予測アーキテクチャを提案する。 提案するフレームワークは,個々のウィンドウ内の局所時間表現の微粒化と,隣接するウィンドウの長期時間シーケンスの両方を明示的にモデル化するエンコーダを特徴とする。 その結果,提案手法によって高品質な表現が学べることが示唆された。
  論文  参考訳（メタデータ） (2026-07-17T05:28:22Z)
• One Step Closer to Ground Truth: A Multi-Scale Residual-Aware Representation Learning Pipeline for Predicting Time Series Data [6.704099492625706]
  本稿では,予測と残差学習を表現学習の異なる段階に明確に分離する2段階のモデル非依存フレームワークを提案する。 このパイプラインを仮説空間拡張として定式化することにより、我々のフレームワークは単一ステージアーキテクチャに固有の近似制限に対処する。
  論文  参考訳（メタデータ） (2026-06-09T10:31:54Z)
• Revitalizing the Beginning: Avoiding Storage Dependency for Model Merging in Continual Learning [57.10440766103372]
  Trajectory Regularized Merging (TRM) は、拡張されたトラジェクトリ部分空間内の最適化プロセスとしてマージフェーズを再構成するフレームワークである。 本フレームワークは,タスクアライメント,予測整合性,勾配応答性といった3つの相乗的目標を統合し,統合モデルの履歴安定性と再活性化最適化のダイナミクスを同時に保存する。
  論文  参考訳（メタデータ） (2026-05-08T14:07:32Z)
• End-to-End Identifiable and Consistent Recurrent Switching Dynamical Systems [14.97727869750315]
  本稿では,予測最大化を用いた精度の正確な最適化を可能にするフローベース推定器である$SDSを紹介する。 以上の結果から,VAEに基づく推定値と,基礎となるダイナミクスのより正確な予測値と比較すると,$SDS は分散性の向上を達成できることが示された。
  論文  参考訳（メタデータ） (2026-05-07T14:14:39Z)
• 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)
• Baguan-TS: A Sequence-Native In-Context Learning Model for Time Series Forecasting with Covariates [31.296823831987748]
  Baguan-TSは、3Dトランスフォーマーによってインスタンス化されるICLと生系列表現学習を統合している。 i) キャリブレーションとトレーニング安定性, 特徴に依存しない目標空間検索に基づく局所キャリブレーション, および (ii) コンテクストオーバーフィッティング戦略によって緩和された出力過スムージングの2つの主要なハードルに対処する。
  論文  参考訳（メタデータ） (2026-03-18T07:24:19Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• Feature-Based vs. GAN-Based Learning from Demonstrations: When and Why [50.191655141020505]
  この調査は、デモから学ぶ機能ベースのアプローチとGANベースのアプローチの比較分析を提供する。 特徴に基づく手法とGANに基づく手法の2分法はますます曖昧になっていると我々は主張する。
  論文  参考訳（メタデータ） (2025-07-08T11:45:51Z)
• Attitudes and Latent Class Choice Models using Machine learning [0.0]
  LCCM (Latent Class Choice Models) の仕様において, 位置インジケータを効率的に組み込む手法を提案する。 この定式化は、位置指標と決定選択との関係を探索する能力において構造方程式を克服する。 我々は,デンマークのコペンハーゲンから,カーシェアリング(Car-Sharing, CS)サービスサブスクリプションの選択を推定するためのフレームワークをテストした。
  論文  参考訳（メタデータ） (2023-02-20T10:03:01Z)

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。