論文の概要: TRACE: Memory-Efficient Time Series Class-Incremental Learning via Temporal-Spectral Reconstruction

• arxiv url: http://arxiv.org/abs/2610.35727v1
• Date: Mon, 26 Oct 2026 16:45:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.116744
• Title: TRACE: Memory-Efficient Time Series Class-Incremental Learning via Temporal-Spectral Reconstruction
• Title（参考訳）: TRACE: 時間-スペクトル再構成による記憶効率の良い時系列クラス増分学習
• Abstract要約: Web接続型センシングアプリケーションは、進化する行動カテゴリーの時系列を連続的に生成する。 厳密なプライバシとメモリ制約の下で多様なクラス分布を保存するために,TRACEを提案する。 TRACEはメモリ効率のよいリプレイフリーフレームワークであり、サンプルリハーサルではなく、生成的モデリングを通じてクラス固有の知識を保存する。
• 参考スコア（独自算出の注目度）: 20.79440937073775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Web-connected sensing applications continuously generate multivariate time series with evolving behavioral categories, making Time Series Class-Incremental Learning (TSCIL) essential for adapting to new classes without forgetting previously acquired knowledge. However, preserving diverse and evolving class distributions under strict privacy and memory constraints remains a fundamental challenge. Existing approaches often face a trade-off between retaining sufficient historical knowledge for accurate recognition and minimizing the memory required for continual adaptation. To address these limitations, we propose TRACE, a memory-efficient, replay-free framework that preserves class-specific knowledge through generative modeling rather than sample rehearsal. TRACE employs a compact, frozen temporal-spectral representation and lightweight class-specific autoencoders to capture complex intra-class variations. By independently preserving each class model, TRACE avoids recursive generation and catastrophic forgetting, while enabling direct classification through reconstruction-based scoring without retaining historical samples or large statistical matrices. Extensive experiments across five TSCIL benchmarks demonstrate that TRACE achieves competitive classification accuracy while reducing mean retained memory by approximately 98.26% compared with TS-ACL, the strongest evaluated analytical baseline, and achieving an approximately 33.43% relative improvement in accuracy on GrabMyo.
• Abstract（参考訳）: Web接続型センシングアプリケーションは、動作カテゴリが進化する多変量時系列を連続的に生成し、それまでの知識を忘れずに新しいクラスに適応するために、時系列クラスインクリメンタルラーニング(TSCIL)が不可欠である。 しかし、厳格なプライバシとメモリ制約の下で、多様で進化するクラスディストリビューションを保存することは、依然として根本的な課題である。 既存のアプローチは、正確な認識のために十分な歴史的知識を保持することと、継続的な適応に必要なメモリを最小化することのトレードオフに直面していることが多い。 これらの制約に対処するため, TRACEはメモリ効率のよいリプレイフリーフレームワークであり, サンプルリハーサルではなく, 生成モデルによりクラス固有の知識を保存する。 TRACEは、コンパクトで凍結した時間スペクトル表現と軽量なクラス固有のオートエンコーダを用いて、複雑なクラス内変動をキャプチャする。 各クラスモデルを独立して保存することにより、TRACEは再帰的な生成と破滅的な忘れを回避し、履歴サンプルや大きな統計行列を保持することなく、再構成ベースのスコアリングによる直接的な分類を可能にする。 5つのTSCILベンチマークの大規模な実験により、TRACEは平均保持メモリを約98.26%削減し、最も評価の高い解析ベースラインであるTS-ACLと比較し、GrabMyoの精度を約33.43%改善した。

関連論文リスト

• FOREVER: Forgetting Curve-Inspired Memory Replay for Language Model Continual Learning [63.20028888397869]
  FOREVER(FORgEtting curVe-inspired mEmory)は、リプレイスケジュールをモデル中心の時間の概念と整合させる新しいフレームワークである。 このアプローチに基づいて、ForeVERは、リプレイのタイミングを決定するための曲線ベースのリプレイスケジューラと、リプレイの方法を適応的に制御するインテンシティ対応の正規化機構を組み込んでいる。
  論文  参考訳（メタデータ） (2026-01-07T13:55:14Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• TS-ACL: Closed-Form Solution for Time Series-oriented Continual Learning [16.270548433574465]
  時系列のクラス増分学習は、破滅的な忘れ物とクラス内のバリエーションの2つの大きな課題に直面している。 そこで, TS-ACLを提案する。これは, 傾きのない閉形式解を利用して, 悲惨な忘れ問題を回避する。 プライバシー保護と効率性も備えている。
  論文  参考訳（メタデータ） (2024-10-21T12:34:02Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Class-Incremental Learning Using Generative Experience Replay Based on Time-aware Regularization [24.143811670210546]
  生成体験 リプレイは、忘れずに蓄積的に新しいタスクを学ぶという課題に対処する。 生成的再生に用いる3つの学習目標語を微調整するための時間認識正規化手法を提案する。 実験結果から,本手法は脳に触発された連続学習者の限界を,そのような厳密な条件下で押し上げることが示唆された。
  論文  参考訳（メタデータ） (2023-10-05T21:07:45Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• RanPAC: Random Projections and Pre-trained Models for Continual Learning [59.07316955610658]
  継続学習(CL)は、古いタスクを忘れずに、非定常データストリームで異なるタスク(分類など)を学習することを目的としている。 本稿では,事前学習モデルを用いたCLの簡潔かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-05T12:49:02Z)
• Complementary Learning Subnetworks for Parameter-Efficient Class-Incremental Learning [40.13416912075668]
  本稿では,2つの補完学習サブネットワークス間のシナジーを通じて連続的に学習するリハーサルフリーなCILアプローチを提案する。 提案手法は, 精度向上, メモリコスト, トレーニング効率, タスク順序など, 最先端手法と競合する結果が得られる。
  論文  参考訳（メタデータ） (2023-06-21T01:43:25Z)
• Mitigating Catastrophic Forgetting in Task-Incremental Continual Learning with Adaptive Classification Criterion [50.03041373044267]
  本稿では,継続的学習のための適応型分類基準を用いた教師付きコントラスト学習フレームワークを提案する。 実験により, CFLは最先端の性能を達成し, 分類基準に比べて克服する能力が強いことが示された。
  論文  参考訳（メタデータ） (2023-05-20T19:22:40Z)

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。