論文の概要: When Does Online Adaptation Pay on the Edge? A Leakage-Free Evaluation of Warmup, Learning-Rate Selection, and Resource Trade-offs for Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.01126v1
• Date: Tue, 01 Sep 2026 12:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.615217
• Title: When Does Online Adaptation Pay on the Edge? A Leakage-Free Evaluation of Warmup, Learning-Rate Selection, and Resource Trade-offs for Time-Series Forecasting
• Title（参考訳）: オンライン適応はエッジにいつ支払うか? : 時系列予測のためのワームアップ、学習率選択、リソーストレードオフの漏洩のない評価
• Authors: Takumi Fujimoto, Hiroaki Nishi,
• Abstract要約: オンライン適応は、分布ドリフト下でのエッジ時系列予測に役立つが、その測定された利点は評価選択に敏感である。 本研究では,ビルセンサとスマートメーターデータを含む6つの公開多変量ストリームを,リークフリーストリーミングプロトコルの下で検討する。 6つのデータセットバックボーン設定で、推定適応の利点は1,000-20,000ステップの一般化範囲で3.0から18.8ポイント(pp)に変化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online adaptation can help edge time-series forecasting under distribution drift, but its measured benefit is sensitive to evaluation choices. We study six public multivariate streams, including building-sensor and smart-meter data, under a leakage-free streaming protocol. We identify two additional sources of comparison bias. First, the warmup budget of the static baseline has a two-sided effect: insufficient warmup undertrains the baseline, whereas excessive warmup can degrade its pre-drift generalization. Across six dataset-backbone settings, the estimated adaptation benefit changes by 3.0 to 18.8 percentage points (pp) over the 1,000-20,000-step warmup range. Second, comparing SGD with momentum (SGD+m) and Adam at a shared default learning rate conflates optimizer quality with rate sensitivity. We select both the warmup budget and each optimizer's online rate using a held-out pre-drift validation slice without accessing test data. Under this validation-only procedure, Adam outperforms SGD+m in 310 of 360 evaluated cells, while 4 Adam cells remain below the static baseline. We further characterize accuracy against adaptation-state memory and A100-measured per-update latency for full, head-only, and calibration-based adaptation. In the evaluated PatchTST frontier settings, several parameter-efficient variants are nondominated on the adaptation-state-memory axis. Smart-meter analyses also show that reported gains depend on meter-selection rules. These findings support a validation-only commissioning procedure, while target-device latency and energy remain to be measured. Code, data, and all reported numbers: https://github.com/keiotakmin/tsf-edge-adaptation.
• Abstract（参考訳）: オンライン適応は、分布ドリフト下でのエッジ時系列予測に役立つが、その測定された利点は評価選択に敏感である。 本研究では,ビルセンサとスマートメーターデータを含む6つの公開多変量ストリームを,リークフリーストリーミングプロトコルの下で検討する。 比較バイアスの源は2つある。 まず、静的なベースラインのウォームアップ予算は、ベースラインを不十分なウォームアップで訓練する一方、過剰なウォームアップはプレドリフトの一般化を低下させる。 6つのデータセットバックボーン設定で、推定適応効果は1,000-20,000ステップのウォームアップ範囲で3.0から18.8ポイント(pp)に変化する。 第2に、SGDを運動量(SGD+m)と比較し、Adamと共有のデフォルト学習率で比較すると、オプティマイザの品質をレート感度で膨らませる。 テストデータにアクセスすることなく、保留前のバリデーションスライスを使用して、ウォームアップ予算と各オプティマイザのオンラインレートを選択する。 このバリデーションのみの手順では、Adamは360個の評価細胞のうち310のSGD+mより優れ、Adam細胞は4つの静的ベースライン以下である。 さらに、適応状態メモリに対する精度と、フル、ヘッドオンリー、キャリブレーションベースの適応のための更新毎のA100測定レイテンシを特徴付ける。 評価されたPatchTSTフロンティア設定では、アダプティブステートメモリ軸にパラメータ効率の異なるいくつかの変種が支配されない。 スマートメータ分析は、報告された利得がメータ選択規則に依存することも示している。 これらの知見は、目標デバイス遅延とエネルギーを計測する一方で、検証のみの委任手順をサポートする。 コード、データ、およびすべてのレポートされた数値:https://github.com/keiotakmin/tsf-edge-adaptation。

関連論文リスト

• SS-ESOAP: Self-Scaled Adaptive Preconditioning for Physics-Informed Learning [70.71795707610961]
  メソッドは、Kronecker幾何に適応したスカラーセマントエネルギー補正でSOAPスタイルのプレコンディショニングを強化する。 メソッドは8つのPDEベンチマークのうち6つで最下位の残差に達する。 4つの代表PDEの3列の$L2$と$H1$エラーは、低い残差と改善された解精度の間のリンクをサポートする。
  論文  参考訳（メタデータ） (2026-08-29T21:34:47Z)
• Uncertainty-Aware (Un)Supervised Few-Shot User Adaptation for On-Device Personalized Human Activity Recognition [5.348421821267704]
  本稿では,事前訓練された人間活動認識(HAR)モデルをプロトタイプネットワークとして活用する,勾配のないフレームワークを提案する。 アクティビティ毎のキャリブレーションデータのわずか3秒(1ショット)で、教師なし適応はマクロF1を+2.76から+33.44ポイント、教師なし適応は+0.56から+32.13ポイント改善する。
  論文  参考訳（メタデータ） (2026-06-03T12:25:07Z)
• Ultra-Light Test-Time Adaptation for Vision--Language Models [0.6816905600359814]
  CLIPのような視覚言語モデル(VLM)は、画像埋め込みとテキスト由来のクラスプロトタイプを比較することで、強力なゼロショット認識を実現する。 ドメインシフトでは、特徴の漂流、クラスプライアミスマッチ、深刻な誤診に悩まされる。 バックボーンを凍結し,ロジットレベルのパラメータのみを適応させる,完全トレーニングフリーでバックプロップフリーなフレームワークであるUltra-Light Test-Time Adaptation (UL-TTA)を提案する。
  論文  参考訳（メタデータ） (2025-11-12T08:19:57Z)
• Calibrating Language Models with Adaptive Temperature Scaling [58.056023173579625]
  本稿では,各トークンの温度スケーリングパラメータを予測するポストホックキャリブレーション法であるAdaptive Temperature Scaling (ATS)を紹介する。 ATSは、以前のキャリブレーション法と比較して、3つの下流自然言語評価ベンチマークで10-50%以上のキャリブレーションを改善する。
  論文  参考訳（メタデータ） (2024-09-29T22:54:31Z)
• Test-time adaptation for geospatial point cloud semantic segmentation with distinct domain shifts [6.80671668491958]
  テスト時間適応(TTA)は、ソースデータへのアクセスや追加のトレーニングなしに、推論段階でラベル付けされていないデータに事前訓練されたモデルの直接適応を可能にする。 本稿では,3つの領域シフトパラダイムを提案する。光グラムから空気中LiDAR,空気中LiDAR,合成-移動レーザー走査である。 実験の結果,分類精度は最大20%mIoUに向上し,他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-07-08T15:40:28Z)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [65.21599711087538]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• Online Estimation with Rolling Validation: Adaptive Nonparametric Estimation with Streaming Data [13.069717985067937]
  本稿では,多くの典型的な勾配勾配勾配推定器において最小限の費用がかかる,オンライン版Left-one-outクロスバリデーションである重み付き転がり検証手法を提案する。 我々の分析は単純であり、主にいくつかの一般的な統計的仮定に依存している。
  論文  参考訳（メタデータ） (2023-10-18T17:52:57Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。