論文の概要: Correction-space Cross-variate Interaction for Test-time Adaptation in Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.34638v1
• Date: Mon, 28 Sep 2026 08:51:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 11:40:09.729717
• Title: Correction-space Cross-variate Interaction for Test-time Adaptation in Time Series Forecasting
• Title（参考訳）: 時系列予測におけるテスト時間適応のための補正空間クロスバリアント相互作用
• Abstract要約: テスト時間適応(TTA)は、時系列予測(TSF)における分布シフトを扱うための有望なパラダイムである 共有アンカー補正(SCR)による補正空間相互作用を実現するtextscCoRe(textscCorrection-space Interaction textscRefinement)を提案する。 7つのバックボーン、6つのデータセット、4つの予測水平線、textscCoReは、平均的なバックボーン上のMSEを25.82%削減し、最先端のTSF-TTAよりも10.57%削減する。
• 参考スコア（独自算出の注目度）: 24.65435301609135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Test-time adaptation (TTA) is a promising paradigm for handling distribution shift in time-series forecasting (TSF), where models adapt at inference time, often leveraging delayed observed data to refine predictions. In the multivariate setting, distribution shifts often exhibit cross-variate dependencies, yet existing TSF-TTA methods adapt each variate independently and ignore this cross-variate structure. Exploiting such structure motivates cross-variate interaction, but coupling variates through backbone predictions introduces direct pathways for mixing uncorrected errors across variates, a concern under the delayed supervision of TSF-TTA. We identify the \emph{interaction space} as a key design choice, and show that acting on adapter corrections that refine backbone outputs, the \emph{correction space}, rather than on the predictions themselves, avoids directly propagating backbone errors across variates. We build on this to propose \textsc{CoRe} (\textsc{Co}rrection-space Interaction \textsc{Re}finement), realizing correction-space interaction through (i) Shared-anchor Correction Refinement (SCR), which combines each variate's correction with a shared anchor through a parameter-efficient bottleneck, and (ii) input-conditioned spectral gating, which adaptively modulates the refinement from the current input window. Across seven backbones, six datasets, and four prediction horizons, \textsc{CoRe} reduces MSE by 25.82\% on average over backbones and 10.57\% over the state-of-the-art TSF-TTA method, with stronger gains at medium-to-long horizons and modest computational overhead. Data and code are available at: https://github.com/yyddou/CoReTTA
• Abstract（参考訳）: テスト時間適応(TTA)は、時系列予測(TSF)における分布シフトを扱うための有望なパラダイムである。 多変量設定では、分布シフトはしばしば多変量依存を示すが、既存のTSF-TTA法は独立に各変量に適応し、この多変量構造を無視する。 このような構造を爆発させることは異種間相互作用を動機付けるが、バックボーン予測による結合は、TSF-TTAの監督が遅れているため、変種間で不正確なエラーを混合する直接的な経路を導入する。 提案手法では, バックボーン出力を洗練させるアダプタ補正を施すことにより, バックボーン誤差の伝播を回避できることを示す。 これに基づいて、補正空間の相互作用を実現するための \textsc{CoRe} (\textsc{Co}rrection-space Interaction \textsc{Re}finement) を提案する。 一 パラメータ効率のボトルネックにより各変数の補正と共有アンカーを組み合わせた共有アンカー補正(SCR) (II)入力条件付きスペクトルゲーティングは、現在の入力ウィンドウから精製を適応的に変調する。 7つのバックボーン、6つのデータセット、および4つの予測水平線をまたいだ \textsc{CoRe} は、平均的なバックボーンで MSE を 25.82 %、最先端の TSF-TTA 法で 10.57 % 減らし、中～長期の水平線とわずかに計算オーバーヘッドが増大する。 データとコードは、https://github.com/yddou/CoReTTAで入手できる。

関連論文リスト

• A Hybrid Attention Model Learning Unified Time-aware Patch Representation for Irregular Multivariate Time Series Forecasting [16.73467091190211]
  IMTS予測のための統合タイムアウェアパッチ表現を学習するハイブリッドアテンションモデルを提案する。 本モデルはIMTS上での最先端のゼロショット性能を実現し,正規予測に移行しても競争力を維持する。
  論文  参考訳（メタデータ） (2026-09-19T07:14:17Z)
• Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting [49.40321003932633]
  Adapformerは、効果的なチャネル管理を通じてCIとCD方法論のメリットをマージする、トランスフォーマーベースの高度なフレームワークである。 Adapformerは既存のモデルよりも優れた性能を実現し、予測精度と計算効率の両方を向上させる。
  論文  参考訳（メタデータ） (2025-11-18T16:24:05Z)
• BayesTTA: Continual-Temporal Test-Time Adaptation for Vision-Language Models via Gaussian Discriminant Analysis [41.09181390655176]
  CLIPのような視覚言語モデル(VLM)は、強いゼロショット認識を実現するが、実世界のシナリオに共通する時空間的な分散シフトの下で大幅に劣化する。 テスト分布が時間とともに徐々に変化するCT-TTA(textitContinal-Temporal Test-Time Adaptation)として、この実践的問題を定式化する。 我々は、時間的に一貫した予測を実行し、視覚表現を動的に調整する、ベイズ適応フレームワークであるtextitBayesTTAを提案する。
  論文  参考訳（メタデータ） (2025-07-11T14:02:54Z)
• Diffeomorphic Temporal Alignment Nets for Time-series Joint Alignment and Averaging [8.14908648005543]
  時系列分析では、非線形時間的不整合は、森林労働者がより単純な平均化を行うための重要な課題である。 DTANは入力依存の方法で微分同相変換を予測し、適用することにより、時系列アンサンブルのジョイントアライメント(JA)と平均化を容易にする。 我々は、マルチタスク学習(MT-DTAN)を組み込むためにフレームワークを拡張し、同時調整と分類を可能にした。
  論文  参考訳（メタデータ） (2025-02-10T15:55:08Z)
• Enhancing Test Time Adaptation with Few-shot Guidance [62.49199492255226]
  深層ニューラルネットワークは、トレーニング(ソース)とテスト(ターゲット)データのドメインシフトに直面しながら、大きなパフォーマンス低下に直面することが多い。 TTA(Test Time Adaptation)法は,事前学習したソースモデルを用いて,配信外ストリーミングターゲットデータを処理する手法として提案されている。 本稿では,Few-Shot Test Time Adaptation (FS-TTA) を開発した。
  論文  参考訳（メタデータ） (2024-09-02T15:50:48Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Generalized Face Forgery Detection via Adaptive Learning for Pre-trained Vision Transformer [54.32283739486781]
  適応学習パラダイムの下で,textbfForgery-aware textbfAdaptive textbfVision textbfTransformer(FA-ViT)を提案する。 FA-ViTは、クロスデータセット評価において、Celeb-DFおよびDFDCデータセット上で93.83%と78.32%のAUCスコアを達成する。
  論文  参考訳（メタデータ） (2023-09-20T06:51:11Z)
• Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction [49.25830718574892]
  本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。 ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。 標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-03T05:56:57Z)
• 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。