論文の概要: DBCM: Dual-Branch Calibration Module for Test-Time Adaptation in Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.32071v1
• Date: Fri, 23 Oct 2026 02:17:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.326185
• Title: DBCM: Dual-Branch Calibration Module for Test-Time Adaptation in Time Series Forecasting
• Title（参考訳）: DBCM: 時系列予測におけるテスト時間適応のためのデュアルブランチ校正モジュール
• Abstract要約: 非定常性は時系列予測(TSF)におけるテスト時間分布シフトを誘導する TSFの試験時間適応に関する最近の研究は、凍結予測器を取り巻く軽量キャリブレーションモジュールの導入によってこの問題に対処している。 本稿では,チャネル固有の柔軟性を保ちながら,共有アダプタを介してチャネル間の適応能力を共有するDual-Branch Module (DBCM)を提案する。
• 参考スコア（独自算出の注目度）: 3.678613774251263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-stationarity induces test-time distribution shifts in time series forecasting (TSF), resulting in forecast residuals between predictions and the corresponding ground truth. Recent works on test-time adaptation for TSF address this by introducing lightweight calibration modules around frozen forecasters, updated using observations that become incrementally available at test time. Existing approaches typically employ channel-wise adapters, implicitly assuming that forecast residuals are inherently channel-specific. However, we observe that forecast residuals often exhibit substantial shared structure across channels, suggesting that fully independent channel-wise parameterization may be redundant. Motivated by this observation, we propose the Dual-Branch Calibration Module (DBCM), which shares adaptation capacity across channels through a shared adapter while retaining limited channel-specific flexibility through a low-rank channel-wise adapter, further enhanced by channel mixing and nonlinear gated modulation. Extensive experiments show that DBCM consistently outperforms prior methods across diverse datasets, horizons, and backbones.
• Abstract（参考訳）: 非定常性は、時系列予測(TSF)におけるテスト時間分布シフトを誘導し、予測と対応する基底真理の間の予測残差をもたらす。 TSFの試験時間適応に関する最近の研究は、凍結予測器を取り巻く軽量キャリブレーションモジュールを導入し、テスト時に漸進的に利用可能になる観測を用いて更新することで、この問題に対処している。 既存のアプローチでは、予測残差が本質的にチャネル固有のものであることを暗黙的に仮定して、チャネルワイズアダプタを用いるのが一般的である。 しかし, 予測残差がチャネル間で有意な共有構造を示す場合が多く, 完全独立なチャネル単位のパラメータ化は冗長である可能性が示唆された。 本報告では,低ランクチャネルワイドアダプタによるチャネル固有の柔軟性を保ちながら,共有アダプタを介してチャネル間の適応能力を共有するDual-Branch Calibration Module (DBCM)を提案する。 大規模な実験により、DBCMは様々なデータセット、地平線、バックボーンで先行メソッドを一貫して上回ります。

関連論文リスト

• TA-SparseMG: Trend-Aware Sparse Forecasting via Multi-Scale Gating for Long-Term Time Series [6.394123470044826]
  本研究では,SparseTSFのスパース・クロスタイム・モデリング・フレームワーク上に構築された,軽量なクロス周期予測モデルTA-SparseMGを提案する。 トレンド対応の正規化モジュール、スケール適応型denoisingモジュール、ゲートアテンション予測モジュールの3つの重要なモジュールが組み込まれている。 複数のLTSFベンチマークによる実験により、提案したTA-SparseMGは、常に優れた安定した性能を達成できることを示した。
  論文  参考訳（メタデータ） (2026-06-26T09:57:36Z)
• Towards Principled Test-Time Adaptation for Time Series Forecasting [6.418791709373276]
  テスト時間適応(TTA)は,分散シフト下での時系列予測(TSF)を改善するための有望なアプローチとして登場した。 既存のTSF-TTA法は、明らかにされたターゲットをどのように利用するかが異なるが、結果として生じる適応プロトコルは相変わらず不均一である。 我々は、成熟した基底真理にのみ基づく適応プロトコルを提案し、適応のためのより原則的な設定を導出する。
  論文  参考訳（メタデータ） (2026-05-17T04:15:54Z)
• CPiRi: Channel Permutation-Invariant Relational Interaction for Multivariate Time Series Forecasting [21.579831447953243]
  チャネル依存モデルはチャネル間の特徴を学習するが、しばしばチャネルの順序付けに適合する。 チャネルに依存しないモデルは、各チャネルを分離して柔軟性を高めるが、チャネル間の依存関係を無視し、性能を制限する。 固定順序を記憶するのではなく,データからチャネル間構造を推定するフレームワークである textbfCPiRi を提案する。
  論文  参考訳（メタデータ） (2026-01-28T07:30:32Z)
• CP Loss: Channel-wise Perceptual Loss for Time Series Forecasting [67.3477355449697]
  時系列データに対するチャネルワイド知覚損失(CP損失)を提案する。 我々は,その特性に適応した各チャネルに対して,独自の知覚空間を学習する。 これらの知覚空間内で損失を計算し、モデルを最適化する。
  論文  参考訳（メタデータ） (2026-01-25T15:31:37Z)
• From Similarity to Superiority: Channel Clustering for Time Series Forecasting [61.96777031937871]
  CCM(Channel Clustering Module)を開発した。 CCMは、固有の類似性を特徴とするチャネルを動的にグループ化し、個々のチャネルのアイデンティティの代わりにクラスタ情報を活用する。 CCMは、CIモデルとCDモデルのパフォーマンスを、それぞれ長期および短期の予測において平均利率2.4%と7.2%で向上させることができる。
  論文  参考訳（メタデータ） (2024-03-31T02:46:27Z)
• Joint Sparsity Pattern Learning Based Channel Estimation for Massive MIMO-OTFS Systems [46.42375183269616]
  大規模マルチインプット・マルチアウトプット(MIMO)変調システムのためのジョイント・スパシティ・パターン・ラーニング(JSPL)に基づくチャネル推定手法を提案する。 シミュレーション結果と解析の結果から,提案したチャネル推定手法は,最先端のベースライン方式よりも性能が向上することが示された。
  論文  参考訳（メタデータ） (2024-03-06T15:05:39Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• Predicting Multi-Antenna Frequency-Selective Channels via Meta-Learned Linear Filters based on Long-Short Term Channel Decomposition [39.38412820403623]
  我々は、転送/ミータ学習2次正規化に基づく単一アンテナ周波数平坦チャネルの予測器を開発する。 LSTDに基づく予測モデルのためのトランスファーアルゴリズムとメタラーニングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-03-23T20:38:48Z)
• Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
  本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。 無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。 MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-22T13:34:53Z)

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。