論文の概要: Towards Robust Time Series Learning via Capacity-Centric Modulation

• arxiv url: http://arxiv.org/abs/2609.39489v1
• Date: Wed, 30 Sep 2026 10:51:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.590994
• Title: Towards Robust Time Series Learning via Capacity-Centric Modulation
• Title（参考訳）: 容量中心変調によるロバスト時系列学習に向けて
• Abstract要約: 本稿では,CCM(Capacity-Centric Modulation)を相補的,サンプル適応正規化原理として提案する。 SACM(Sample-Adaptive Capacity Modulation)は,スペクトル空間の分散を利用して,サンプルワイドドロップアウト確率を割り当てるタスク非依存のフレームワークである。 301個の実世界のデータセット-バックボーンペアのうち、SACMは平均でMSEの予測を6.7%削減し、分類精度を3.04%改善し、ポイント調整されたF1を17.05%改善した。
• 参考スコア（独自算出の注目度）: 76.23489485385964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sample-level reliability heterogeneity is common in deep time series learning. Standard training pipelines apply a uniform regularization setting to all samples, which can under-regularize corrupted samples and over-restrict clean samples. Common robustness approaches filter observations in data space or impose priors on latent representations. We propose Capacity-Centric Modulation (CCM) as a complementary, sample-adaptive regularization principle. Under this principle, we introduce SACM (Sample-Adaptive Capacity Modulation), a task-agnostic framework that exploits spectral sparsity to assign sample-wise dropout probabilities along internal activation paths. SACM integrates into existing backbones without architectural redesign and preserves the deterministic inference pipeline. Across 301 real-world dataset-backbone pairs covering 9 forecasting, 32 classification, and 4 anomaly-detection datasets, SACM reduces forecasting MSE by 6.7% on average and improves classification accuracy and point-adjusted F1 by 3.04% and 17.05%, respectively, relative to unmodified backbones, with zero test-time overhead.
• Abstract（参考訳）: サンプルレベルの信頼性の不均一性は、深層時系列学習において一般的である。 標準のトレーニングパイプラインは、すべてのサンプルに均一な正規化設定を適用し、破損したサンプルと過剰に制限されたクリーンサンプルをアンダーレギュラ化することができる。 共通ロバストネスは、データ空間におけるフィルター観測にアプローチするか、潜在表現に事前を課す。 本稿では,CCM(Capacity-Centric Modulation)を相補的,サンプル適応正規化原理として提案する。 本原理では, 内部活性化経路に沿ってサンプルワイドドロップアウト確率を割り当てるために, スペクトル空間を利用したタスク非依存フレームワークであるSACM(Sample-Adaptive Capacity Modulation)を導入する。 SACMはアーキテクチャの再設計なしに既存のバックボーンに統合され、決定論的推論パイプラインを保存する。 9つの予測、32の分類、4つの異常検出データセットをカバーする301の現実のデータセット-バックボーンペアのうち、SACMは平均で予測MSEを6.7%削減し、それぞれ修正されていないバックボーンに対して、分類精度とポイント調整されたF1を3.04%改善し、17.05%改善する。

関連論文リスト

• SPARC: Single-Pass Scaling for Motion Forecasting with Conformal Bayesian Last Layers [1.4452289368758382]
  シングルパス適応リスク(英: Single-Pass Adaptive Risk)は、人間の動き予測器に対する構造的、校正的、効率的な不確実性推定である。 決定論的バックボーンは将来の平均を予測し、共役ベイズ最後の層は時間領域の特徴レバレッジを解析的地平線スケールに変換する。 NLLと組み合わせたMPJPE+NLLの基準では、競争点の精度と効率的な校正管を維持している。
  論文  参考訳（メタデータ） (2026-08-21T07:20:22Z)
• Optimizing Visual Generative Models via Distribution-wise Rewards [57.46109819595665]
  本稿では,実世界のデータ分布との整合性を確保するために,分布ワイド報酬を用いた生成モデルを微調整する新しいフレームワークを提案する。 提案手法は,SiTでは5.77,EDM2では3.74から3.52まで,様々なベースモデルでFID-50Kを大幅に改善する。
  論文  参考訳（メタデータ） (2026-07-02T15:08:56Z)
• 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)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Open World MRI Reconstruction with Bias-Calibrated Adaptation [24.744607154276608]
  見えない画像センター、解剖学的構造、または取得プロトコルからのデータは、トレーニングデータと大きく異なるため、パフォーマンスが著しく低下する可能性がある。 最小限の介入原理に基づくバイアス校正適応フレームワークであるBiasReconを提案する。
  論文  参考訳（メタデータ） (2026-03-13T17:49:08Z)
• Adaptive Conditional Forest Sampling for Spectral Risk Optimisation under Decision-Dependent Uncertainty [1.14219428942199]
  期待されるコストと条件付き価値の凸組み合わせとして定義されたスペクトルリスク目標の最小化は困難である。 本研究では,4相シミュレーション最適化フレームワークである適応条件森林サンプリング(ACFS)を提案する。 ACFSは、一般的なランダムフォレストを統合して、意思決定条件の分布近似、CEMによるグローバルな探索、ランク重みの集中強化、サロゲートとオーラルの2段階の再評価を行う。
  論文  参考訳（メタデータ） (2026-03-12T22:53:24Z)
• Learnable Chernoff Baselines for Inference-Time Alignment [64.81256817158851]
  本稿では,指数関数的に傾いたカーネルから効率よく,およそサンプリングする方法として,Learnerable Chernoff Baselinesを紹介した。 理想的なモデルに対する全変量保証を確立し、LCBサンプリングが理想的拒絶サンプリングと密接に一致するような連続的および離散的な拡散設定を実証する。
  論文  参考訳（メタデータ） (2026-02-08T00:09:40Z)
• Rethinking Refinement: Correcting Generative Bias without Noise Injection [7.28668585578288]
  拡散モデルやフローベースモデルを含む生成モデルは、しばしばサンプルの品質を低下させる体系的なバイアスを示す。 ノイズインジェクションやマルチステップ再サンプリングを使わずに,効果的なバイアス補正がポストホック法として実現できることを示す。
  論文  参考訳（メタデータ） (2026-01-29T02:34:08Z)
• Controllable Probabilistic Forecasting with Stochastic Decomposition Layers [1.3995263206621]
  本稿では、決定論的機械学習気象モデルをアンサンブルシステムに変換するための分解層(SDL)を提案する。 SDLは3つのデコーダスケールでの学習摂動を、潜在駆動変調、画素ごとのノイズ、チャネルスケーリングを通じて適用する。 転送学習を通じてWXFormerに適用する場合、SDLはベースラインモデルをトレーニングするために必要な計算コストの2%未満を必要とする。
  論文  参考訳（メタデータ） (2025-12-21T17:10:00Z)

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。