論文の概要: A Comprehensive Benchmark of Source-Free Universal Domain Adaptation on Time Series Representations

• arxiv url: http://arxiv.org/abs/2609.39810v1
• Date: Wed, 30 Sep 2026 14:18:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.881596
• Title: A Comprehensive Benchmark of Source-Free Universal Domain Adaptation on Time Series Representations
• Title（参考訳）: 時系列表現におけるソースフリーユニバーサルドメイン適応の総合ベンチマーク
• Abstract要約: Source-Free Universal Domain Adaptation (SF-UniDA)は、適応時にソースデータへのアクセスを削除することでUniversal Domain Adaptationを拡張する。 SF-UniDAベンチマークを時系列で紹介する。
• 参考スコア（独自算出の注目度）: 8.25188877910938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Source-Free Universal Domain Adaptation (SF-UniDA) extends Universal Domain Adaptation by removing access to source data at adaptation time while still handling label-set mismatches between domains. Despite growing interest in this setting for image data, no benchmark exists for time series, which are more challenging. We present the first SF-UniDA benchmark on time series. In addition, we provide the first study of pretrained foundation models as feature extractors for time series domain adaptation. In this context, we identify a critical and previously underexplored limitation of all existing SF-UniDA methods: the inference threshold for unknown-sample rejection is highly sensitive. We address this by proposing a plug-in auto-thresholding module that can be integrated into any SF-UniDA method. Experiments on three well-known time series datasets confirm the suitability of this module. They also highlight that foundation models do not systematically outperform classical backbones and that SF-UniDA tailored for time series is yet to be developed.
• Abstract（参考訳）: Source-Free Universal Domain Adaptation (SF-UniDA)は、Universal Domain Adaptationを拡張する。 画像データに対するこの設定への関心が高まっているにもかかわらず、時系列に対するベンチマークは存在せず、より難しい。 SF-UniDAベンチマークを時系列で紹介する。 さらに、時系列領域適応のための特徴抽出器として、事前訓練された基礎モデルについて、最初の研究を行った。 この文脈では、既存の全てのSF-UniDA手法の臨界かつ未探索の限界を同定する。 我々は,任意のSF-UniDAメソッドに統合可能なプラグイン自動保持モジュールを提案することで,この問題に対処する。 3つのよく知られた時系列データセットの実験により、このモジュールの適合性が確認された。 また、ファンデーションモデルは古典的なバックボーンを体系的に上回るものではなく、SF-UniDAが時系列用に調整されていることも強調した。

関連論文リスト

• Discrete Prototypical Memories for Federated Time Series Foundation Models [62.22804699052539]
  FLベースの時系列基礎モデルとして大規模言語モデルを活用することは、LLMの一般化能力を時系列データに転送する有望な方法を提供する。 しかし、時系列データと既存のLCMのテキスト中心の潜在空間とのセマンティックなミスアライメントは、しばしば性能低下につながる。 離散型記憶に基づく時系列基礎モデルのための統合フレームワークであるtextscFeDPMを提案する。
  論文  参考訳（メタデータ） (2026-04-06T06:57:08Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• GMM-COMET: Continual Source-Free Universal Domain Adaptation via a Mean Teacher and Gaussian Mixture Model-Based Pseudo-Labeling [3.1744658275045103]
  教師なしのドメイン適応は、トレーニングとテストデータの間のドメインシフトが、現実世界のアプリケーションにおけるニューラルネットワークのパフォーマンスを損なう問題に対処する。 ソースフリーユニバーサルドメイン適応(SF-UniDA)として知られるこの設定は、最近注目を集めている。 連続的なSF-UniDAに関する最初の研究を行い、モデルが複数の異なる未ラベル対象領域のストリームに逐次適応する必要があることを示す。
  論文  参考訳（メタデータ） (2026-01-16T10:23:19Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• 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)
• Evidentially Calibrated Source-Free Time-Series Domain Adaptation with Temporal Imputation [38.88779207555418]
  ソースフリードメイン適応(SFDA)は、ラベル付きソースドメインで事前訓練されたモデルを、ソースデータにアクセスせずにラベルなしのターゲットドメインに適応することを目的としている。 本稿では, 時系列SFDAの新規かつ効果的なアプローチであるMAsk And imPUte(MAPU)を提案する。 ソフトマックス予測に固有の過信問題に対処するために、明らかな不確実性推定を取り入れたE-MAPUも導入する。
  論文  参考訳（メタデータ） (2024-06-04T05:36:29Z)
• COCA: Classifier-Oriented Calibration via Textual Prototype for Source-Free Universal Domain Adaptation [58.53682309436275]
  ユニバーサルドメイン適応(UniDA)は、データソース間のドメインとカテゴリのシフトに対処することを目的としている。 SF-UniDAメソッドは、ターゲットドメインへの適応を実行する際に、ソースサンプルに直接アクセスする必要がなくなる。 既存のSF-UniDAメソッドは、ソースモデルをトレーニングするために大量のラベル付きソースサンプルを必要とする。 本稿では,この問題に対処するための新しいCOCA法を提案する。
  論文  参考訳（メタデータ） (2023-08-21T03:50:19Z)
• Source-Free Domain Adaptation with Temporal Imputation for Time Series Data [19.616201184995532]
  ソースフリードメイン適応(SFDA)は、ラベル付きソースドメインからラベルなしターゲットドメインへの事前訓練されたモデルを、ソースドメインデータにアクセスすることなく適応することを目的としている。 視覚的応用が盛んであるにもかかわらず、SFDAは時系列アプリケーションではほとんど探索されていない。 本稿では,時系列データ,すなわちMAskとimPUteに対して,ソースフリーなドメイン適応をシンプルかつ効果的に行う手法を提案する。
  論文  参考訳（メタデータ） (2023-07-14T14:22:03Z)
• Self-supervised Autoregressive Domain Adaptation for Time Series Data [9.75443057146649]
  教師なしドメイン適応(UDA)は、視覚アプリケーションにおけるドメインシフト問題にうまく対処している。 これらの手法は、以下の理由により時系列データのパフォーマンスが制限される可能性がある。 本稿では,これらの制約に対処するための自己監督型自己回帰ドメイン適応(SLARDA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-29T08:17:23Z)

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。