論文の概要: DISC: Domain-Integrated Similarity Cost for Time-Series Dataset

• arxiv url: http://arxiv.org/abs/2610.31288v1
• Date: Thu, 22 Oct 2026 13:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.393497
• Title: DISC: Domain-Integrated Similarity Cost for Time-Series Dataset
• Title（参考訳）: DISC: 時系列データセットのドメイン集約型類似コスト
• Abstract要約: ドメイン統合類似度コスト(DISC)は、異なる下流タスクの類似度メトリクスを組み合わせた学習可能な集約フレームワークである。 DISCは類似度測定値のみを用いてソースとターゲットのペアをスコアし、報告された分割のシングルメトリック参照よりも高いアライメントが得られることを示す。
• 参考スコア（独自算出の注目度）: 40.74376503795582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growth of time-series datasets and foundation models has made dataset comparison a central part of time-series workflows. Assessing source-target transfer before model adaptation requires similarity estimates that can summarize transfer-related dataset relationships without exhaustive source-target evaluation over every candidate pair. Many metrics have been proposed for measuring similarity between time-series datasets, but they capture different dataset relationships and vary in how well they align with downstream utility across tasks. We evaluate this gap by measuring the correlation between source-target similarity scores and downstream forecasting errors in out-of-distribution and transfer-learning settings. We propose Domain-Integrated Similarity Cost (DISC), a learnable aggregation framework that uses calibration transfer observations to select, weight, and combine similarity metrics for different downstream tasks. By integrating complementary metric values, DISC better distinguishes source-target dataset differences that matter for downstream behavior. After calibration, DISC scores source-target pairs using only their similarity-metric values and yields higher alignment than single-metric references on the reported split. These results show that time-series dataset similarity is task-dependent, and that learned metric integration provides a stronger proxy for downstream transfer behavior than manually selecting one similarity metric.
• Abstract（参考訳）: 時系列データセットとファンデーションモデルの成長により、データセット比較は時系列ワークフローの中心的な部分となった。 モデル適応前のソースターゲット転送を評価するには、すべての候補ペアに対して完全なソースターゲット評価を行うことなく、転送関連データセット関係を要約できる類似性推定が必要である。 時系列データセット間の類似度を測定するために、多くのメトリクスが提案されているが、異なるデータセットの関係をキャプチャし、タスク間の下流ユーティリティとの整合性が異なる。 我々は,ソース目標類似度スコアと下流予測誤差との相関を,アウト・オブ・ディストリビューションとトランスファー・ラーニングの設定で測定することにより,このギャップを評価する。 本稿では,異なる下流タスクに対する類似度指標の選択,重み付け,組み合わせを行うためのキャリブレーション伝達観測を用いた学習可能な集約フレームワークであるDomain-Integrated similarity Cost (DISC)を提案する。 補完的なメトリック値を統合することで、DECは下流の振る舞いにおいて重要なソースとターゲットのデータセットの違いをよりよく区別する。 校正後、DECは類似度測定値のみを用いてソースとターゲットのペアをスコアし、報告された分割のシングルメトリック参照よりも高いアライメントを得る。 これらの結果から、時系列データセットの類似性はタスク依存であり、学習されたメトリック統合は、1つの類似度メトリックを手動で選択するよりも、下流の転送動作に対してより強力なプロキシを提供することが示された。

関連論文リスト

• Bridging the Semantic Gap for Categorical Data Clustering via Large Language Models [64.58262227709842]
  ARISE(Attention-weighted Representation with Integrated Semantic Embeddings)が紹介される。 正確なクラスタリングのためにカテゴリデータのメトリック空間を補完するセマンティックアウェア表現を構築する。 8つのベンチマークデータセットの実験では、7つの代表的なデータセットよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-01-03T11:37:46Z)
• Wireless Dataset Similarity: Measuring Distances in Supervised and Unsupervised Machine Learning [15.036550722400085]
  本稿では,無線データセット間の類似度を測定するためのタスク・アンド・モデル対応フレームワークを提案する。 データセットの選択/拡張、シミュレーション・トゥ・リアル(sim2real)比較、新しいデプロイメントへのモデルトレーニング/適応に関する決定などのアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2026-01-03T01:15:27Z)
• Measuring Time-Series Dataset Similarity using Wasserstein Distance [21.101558938915634]
  時系列データセットの類似度測定は、モデル選択、微調整、可視化など、さまざまな方法で研究を支援する。 本稿では,ワッサースタイン距離を利用して時系列データセットの類似度を測定する分布に基づく手法を提案する。
  論文  参考訳（メタデータ） (2025-07-29T19:33:10Z)
• Differentiable Optimization of Similarity Scores Between Models and Brains [1.5391321019692434]
  線形回帰、CKA(Centered Kernel Alignment)、正規化バーレス類似度(NBS)、角状プロクリスト距離といった類似度は、この類似度を定量化するためにしばしば用いられる。 本稿では、類似度の高いスコアと「良い」スコアを構成するスコアについて調査する新しいツールについて紹介する。 驚くべきことに、高い類似度スコアは、ニューラルデータと整合した方法でタスク関連情報を符号化することを保証していない。
  論文  参考訳（メタデータ） (2024-07-09T17:31:47Z)
• Exogenous Data in Forecasting: FARM -- A New Measure for Relevance Evaluation [62.997667081978825]
  FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。 我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。 第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
  論文  参考訳（メタデータ） (2023-04-21T15:22:33Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)

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。