論文の概要: Adaptive Spectral-Koopman Dynamics Modeling for Temporal Domain Generalization

• arxiv url: http://arxiv.org/abs/2610.02822v1
• Date: Fri, 02 Oct 2026 05:13:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.215233
• Title: Adaptive Spectral-Koopman Dynamics Modeling for Temporal Domain Generalization
• Title（参考訳）: 時間領域一般化のためのAdaptive Spectral-Koopman Dynamics Modeling
• Abstract要約: TDG(Temporal Domain Generalization)は、リアルタイムストリーミングデータに時間とともに分散シフトを伴って対処するために登場した。 TDGの適応文脈抽出が可能なスペクトルコオプマンフレームワークである textbfAdaSpecK を提案する。
• 参考スコア（独自算出の注目度）: 18.872869373231918
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Temporal Domain Generalization (TDG) has emerged to address real-world streaming data with distribution shifts over time. However, existing methods are either prone to overfitting to domain-specific noise in the data space or become overly complex and less interpretable in the parameter space. To bridge these gaps, we propose \textbf{AdaSpecK}, a spectral-Koopman framework with adaptive context extraction for TDG. To mitigate noise fitting to irregularly sampled domains, we introduce spectral-regularized Koopman dynamics modeling, which applies spectral-aware filtering in the latent space to extract denoised low-frequency trajectories and learn a Koopman operator to model the system dynamics in a linearized space. To model complex historical environments under non-stationarity, we design a context-informed heterogeneous pattern extraction mechanism. Specifically, we employ a target-conditioned attention module to attend to distinct past windows, producing a dynamic, target-specific historical summary. By constructing an environmental signature from the current evolutionary pattern, our model adaptively perceives which aspects of the past context are most informative for future prediction via a learned router. Extensive experiments on eight diverse classification and regression benchmarks demonstrate that AdaSpecK achieves state-of-the-art performance. The code and datasets are available at \href{}{https://anonymous.4open.science/r/Ada-Spec-K}.
• Abstract（参考訳）: TDG(Temporal Domain Generalization)は、リアルタイムストリーミングデータに時間とともに分散シフトを伴って対処するために登場した。 しかし、既存の手法は、データ空間におけるドメイン固有のノイズに過度に適合する傾向にあるか、あるいはパラメータ空間において過度に複雑になり、解釈しにくくなる傾向にある。 これらのギャップを埋めるために、TDGの適応文脈抽出を備えたスペクトルコオプマンフレームワークである \textbf{AdaSpecK} を提案する。 不規則なサンプル領域に対するノイズフィッティングを緩和するため、遅延空間におけるスペクトル認識フィルタを適用して低周波軌道を抽出し、クープマン作用素を学習し、線形化された空間におけるシステムダイナミクスをモデル化するスペクトル規則化クープマンダイナミクスモデルを導入する。 非定常環境下での複雑な歴史的環境をモデル化するために、文脈インフォームドな異種パターン抽出機構を設計する。 具体的には、異なる過去のウィンドウに対応するためにターゲット条件付アテンションモジュールを使用し、動的でターゲット固有の歴史的要約を生成する。 現在の進化パターンから環境シグネチャを構築することで、学習ルータによる将来の予測において、過去の文脈のどの側面が最も有益であるかを適応的に知覚する。 8つの多様な分類と回帰ベンチマークに関する大規模な実験は、AdaSpecKが最先端のパフォーマンスを達成することを示す。 コードとデータセットは \href{}{https://anonymous.4open.science/r/Ada-Spec-K} で公開されている。

関連論文リスト

• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• How to Bridge Spatial and Temporal Heterogeneity in Link Prediction? A Contrastive Method [11.719027225797037]
  我々は,新しいtextbfContrastive Learning-based textbfLink textbfPrediction model, textbfCLPを提案する。 我々のマイモデルは最先端モデルよりも一貫して優れており、AUCとAPで平均10.10%、13.44%の改善が示されている。
  論文  参考訳（メタデータ） (2024-11-01T14:20:53Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• Deep Neural Dynamic Bayesian Networks applied to EEG sleep spindles modeling [0.0]
  本稿では,視覚的スコアリングにおいて専門家が積極的に実施する制約を組み込んだ単一チャネル脳波生成モデルを提案する。 我々は、一般化期待最大化の特別な場合として、正確に、抽出可能な推論のためのアルゴリズムを導出する。 我々は、このモデルを3つの公開データセット上で検証し、より複雑なモデルが最先端の検出器を越えられるように支援する。
  論文  参考訳（メタデータ） (2020-10-16T21:48:29Z)
• Feature Transformation Ensemble Model with Batch Spectral Regularization for Cross-Domain Few-Shot Classification [66.91839845347604]
  特徴抽出ネットワークの後に多様な特徴変換を行うことにより,アンサンブル予測モデルを提案する。 我々は,事前学習中に特徴行列の特異値を抑制するために,バッチスペクトル正規化項を用い,モデルの一般化能力を向上させる。 提案したモデルは、ターゲット領域で微調整して、数発の分類に対処することができる。
  論文  参考訳（メタデータ） (2020-05-18T05:31:04Z)

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。