論文の概要: Domain Generalization under Sampling Pattern Shifts in Irregular Time Series

• arxiv url: http://arxiv.org/abs/2609.33279v1
• Date: Sun, 27 Sep 2026 06:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 01:34:45.30918
• Title: Domain Generalization under Sampling Pattern Shifts in Irregular Time Series
• Title（参考訳）: 不規則時系列におけるサンプリングパターンシフトによる領域一般化
• Abstract要約: 我々は、ISMTSにおけるパターンシフトをサンプリングするための最初の制御されたベンチマークであるHAR-Cを紹介する。 サンプリングシフトだけでは性能が著しく低下し,サンプリング固有のショートカットが誘導され,既存の領域一般化手法では依然として困難であることを示す。 これらの知見に触発されて,タスクラベルを使わずに特徴中心およびサンプリング中心の表現を補完的に学習するDGフレームワークであるPRISMを提案する。
• 参考スコア（独自算出の注目度）: 45.85620646626725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Irregularly sampled multivariate time series (ISMTS) are prevalent in real-world applications, where both observation times and available measurements can vary substantially across domains. While recent models increasingly exploit such sampling information for prediction, its robustness under sampling pattern shifts remains underexplored. We introduce HAR-C, to the best of our knowledge the first controlled benchmark for sampling pattern shifts in ISMTS, and show that sampling shifts alone can substantially degrade performance, induce sampling-specific shortcuts, and remain challenging for existing domain generalization (DG) methods. Motivated by these findings, we propose PRISM, a DG framework that first learns complementary feature-centric and sampling-centric representations without task labels, and subsequently performs robust supervised training across diverse sampling variations to discourage brittle shortcut reliance. Extensive experiments on controlled and real-world ISMTS benchmarks demonstrate that PRISM consistently improves robustness to unseen sampling shifts over existing methods. Our code is available at https://anonymous.4open.science/r/PRISM.
• Abstract（参考訳）: 不規則にサンプリングされた多変量時系列(ISMTS)は、実世界のアプリケーションで広く使われており、観測時間と測定可能な測定時間の両方が領域によって大きく異なる。 近年のモデルでは、このようなサンプリング情報を予測に活用する傾向にあるが、サンプリングパターンシフトの下での堅牢性は未解明のままである。 ISMTSのパターンシフトをサンプリングするための最初の制御ベンチマークであるHAR-Cを導入し、サンプリングシフトだけで性能を著しく低下させ、サンプリング固有のショートカットを誘導し、既存のドメイン一般化(DG)手法に挑戦し続けることを示す。 PRISMは,まずタスクラベルを使わずに,補完的な特徴中心およびサンプリング中心の表現を学習し,その後,多種多様なサンプリングのバリエーションにまたがる堅牢な教師あり学習を行い,不安定なショートカットの信頼性を損なう。 制御および実世界のISMTSベンチマークに関する大規模な実験は、PRISMが既存の手法よりも見つからないサンプリングシフトに対して、一貫して堅牢性を改善することを示した。 私たちのコードはhttps://anonymous.4open.science/r/PRISMで利用可能です。

関連論文リスト

• From Local Geometry to Global Pseudo Labeling for Robust Positive Unlabeled Learning under Covariate Shift [47.77477373749725]
  視覚特徴の局所多様体構造を利用して、シフトするデータを徐々に発見する幾何認識フレームワークを導入する。 我々のアプローチは、異なるタイプのシフトに強く移行し、強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2026-05-29T11:55:31Z)
• CANDI: Curated Test-Time Adaptation for Multivariate Time-Series Anomaly Detection Under Distribution Shift [48.29742059729268]
  テスト時間適応(TTA)は、未ラベルのテストデータのみを使用して、事前訓練されたモデルをオンザフライで更新する。 本研究では,事前学習した知識を維持しつつ,潜在的な偽陽性を選択的に識別し適応する新しいTTAフレームワークであるCANDIを提案する。
  論文  参考訳（メタデータ） (2026-04-02T10:01:11Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Test-Time Domain Generalization for Face Anti-Spoofing [60.94384914275116]
  Face Anti-Spoofing (FAS) は、顔認識システムをプレゼンテーション攻撃から保護するために重要である。 本稿では,テストデータを活用してモデルの一般化性を高める新しいテスト時間領域一般化フレームワークについて紹介する。 テスト時間スタイル投影 (TTSP) とディバーススタイルシフトシミュレーション (DSSS) によって構成された本手法は, 目に見えないデータを領域空間に効果的に投影する。
  論文  参考訳（メタデータ） (2024-03-28T11:50:23Z)
• Invariant Anomaly Detection under Distribution Shifts: A Causal Perspective [6.845698872290768]
  異常検出(AD、Anomaly Detection)は、異常なサンプルを識別する機械学習タスクである。 分散シフトの制約の下では、トレーニングサンプルとテストサンプルが同じ分布から引き出されるという仮定が崩壊する。 我々は,異常検出モデルのレジリエンスを,異なる種類の分布シフトに高めようとしている。
  論文  参考訳（メタデータ） (2023-12-21T23:20:47Z)
• Generalized Robust Test-Time Adaptation in Continuous Dynamic Scenarios [18.527640606971563]
  テスト時間適応(TTA)は、未ラベルのテストデータストリームのみを使用する推論フェーズにおいて、事前訓練されたモデルに分散をテストする。 本稿では,問題に効果的に対応する汎用ロバストテスト時間適応(GRoTTA)法を提案する。
  論文  参考訳（メタデータ） (2023-10-07T07:13:49Z)
• Augmentation Matters: A Simple-yet-Effective Approach to Semi-supervised Semantic Segmentation [46.441263436298996]
  本稿では,SSSの性能向上を目的としたデータ摂動に着目した,シンプルでクリーンなアプローチを提案する。 我々は、ランダムなデータ変換数を選択する、簡易なインテンシティベースの拡張を採用する。 また,ラベル付き情報をランダムに注入して,ラベルなしサンプルを適応的に増強する。
  論文  参考訳（メタデータ） (2022-12-09T16:36:52Z)
• Squared $\ell_2$ Norm as Consistency Loss for Leveraging Augmented Data to Learn Robust and Invariant Representations [76.85274970052762]
  元のサンプルと拡張されたサンプルの埋め込み/表現の距離を規則化することは、ニューラルネットワークの堅牢性を改善するための一般的なテクニックである。 本稿では、これらの様々な正規化選択について検討し、埋め込みの正規化方法の理解を深める。 私たちが特定したジェネリックアプローチ(squared $ell$ regularized augmentation)は、それぞれ1つのタスクのために特別に設計されたいくつかの手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-25T22:40:09Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)

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。