論文の概要: Mitigating Catastrophic Forgetting in Task-Free Federated Continual Forecasting via Two-Tier Replay under Concept Drift

• arxiv url: http://arxiv.org/abs/2611.01098v1
• Date: Sat, 31 Oct 2026 16:39:09 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:49:10.969745
• Title: Mitigating Catastrophic Forgetting in Task-Free Federated Continual Forecasting via Two-Tier Replay under Concept Drift
• Title（参考訳）: コンセプションドリフト下での2層再生によるタスクフリーフェデレーション連続予測における破滅的予測の緩和
• Abstract要約: タイミングデータをプライバシに敏感なクライアントに分散するアプリケーションでは,フェデレーションの時系列予測がますます重要になっている。 本稿では,タスクフリーなフェデレーション予測において,概念ドリフト下での破滅的な忘れについて論じる。 本稿では,各クライアントが予測ウィンドウRMSEを監視し,オフラインベース期間から頑健な中央値を校正し,持続的劣化後にのみ適応をトリガする,ドリフト対応連続学習プロトコルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Federated time-series forecasting is increasingly important in applications where temporal data are distributed across privacy-sensitive clients, such as environmental monitoring, smart cities, and industrial sensing. A central limitation of current continual-learning protocols is that they usually assume predefined task boundaries, whereas deployed forecasting systems receive an uninterrupted stream and must decide autonomously when adaptation is necessary. This paper addresses catastrophic forgetting in task-free federated forecasting under concept drift. We introduce a drift-aware continual-learning protocol in which each client monitors prediction-window RMSE, calibrates a robust median threshold from the offline base period, and triggers adaptation only after persistent degradation. To mitigate forgetting, we propose a TwoTierReplay mechanism that separates fixed offline representative memory from online memory. The offline tier preserves long-term knowledge learned during the base phase, while the online tier captures recent distributional changes after drift. Experiments on the Beijing Multi-Site Air- Quality dataset with 12 clients, three forecasting targets, and three horizons show that TwoTierReplay achieves the best stability-plasticity score in all nine target-horizon configurations. It improves over the strongest baseline by approximately 11.4%. These results suggest that explicit temporal structuring of replay memory is a practical and effective mechanism for task-free federated continual forecasting.
• Abstract（参考訳）: フェデレートされた時系列予測は、環境監視、スマートシティ、産業センサといったプライバシーに敏感なクライアントに時間データを分散するアプリケーションにおいてますます重要になっている。 現在の連続学習プロトコルの中心的な制限は、通常、事前に定義されたタスク境界を仮定するのに対して、デプロイされた予測システムは未中断のストリームを受け取り、適応が必要なときに自律的に決定しなければならないことである。 本稿では,タスクフリーなフェデレーション予測において,概念ドリフト下での破滅的な忘れについて論じる。 本稿では,各クライアントが予測ウィンドウRMSEを監視し,オフラインベース期間から頑健な中央値を校正し,持続的劣化後にのみ適応をトリガする,ドリフト対応連続学習プロトコルを提案する。 そこで本研究では,オンラインメモリからオフライン代表メモリを分離するTwoTierReplay機構を提案する。 オフライン層はベースフェーズで学んだ長期的な知識を保存し、オンライン層はドリフト後の最近の分布変化をキャプチャする。 12のクライアント、3つの予測目標、3つの地平線を含む北京のマルチサイト空気品質データセットの実験は、TwoTierReplayが9つの目標-水平構成で最高の安定性-塑性スコアを達成していることを示している。 最強のベースラインよりも約11.4%向上している。 これらの結果は,リプレイメモリの時間的明示的構造化が,タスクフリーなフェデレーション連続予測の実践的かつ効果的なメカニズムであることを示唆している。

関連論文リスト

• PosePlaner: Denoising Any Feed-Forward Pose Predictor from Pairwise Planar Geometry [57.19469836839409]
  最近の多視点変換器は、2つのビューから多くのビューと長いシーケンスへのトレーニングデータとモデルキャパシティのスケーリングにより、高度な3次元再構成を実現している。 我々はPosePlanerを提案し、このギャップを埋めるために、古典的な対応とフローマッチングによるポーズの結合を復活させることにより、このギャップを埋める。 提案手法は2視点データに基づいて効率よく訓練されるが,n視点ポーズ推定器をリトレーニングなしでストリーミングするための周期的精錬器として機能する。
  論文  参考訳（メタデータ） (2026-10-26T04:55:36Z)
• On Unlearning for Time-series Forecasting [22.551344944210854]
  本稿では,時系列アンラーニングのためのResidual DiffusionフレームワークRDTUを提案する。 RDTUは一貫して、正確なリトレーニングに最も近い未学習のモデルを生産している。
  論文  参考訳（メタデータ） (2026-10-02T06:03:44Z)
• AIGS: Adaptive Incremental Gating System for Online Representation Learning in Non-Stationary Data Streams [1.5391096706404088]
  本稿では,軽量なクローズドループ状態認識適応フレームワークであるAdaptive Incremental Gating System (AIGS)を提案する。 表現学習を閉ループ制御機構として扱うことで、AIGSは破滅的な忘れを回避し、レイテンシに敏感なエッジデバイスに適した、厳密な線形な$mathcalOleft(kcdot dright)$1ステップの複雑性を維持する。
  論文  参考訳（メタデータ） (2026-10-02T01:29:07Z)
• QuantFlow: A Federated Mamba-Based Post-Transformer Foundation Model for Time-Series Forecasting [0.0]
  時系列予測は、金融、エネルギー、輸送、公衆衛生、産業監視における決定を支援する。 最近の基礎モデルは予測タスク間の転送を改善するが、その多くは集中的なデータとトランスフォーマーの注意に依存している。 本稿では, 逆列埋め込み, 双方向マンバ状態空間デコーダ, 量子回帰, フェデレーション学習を組み合わせた確率予測フレームワークQuantFlowを提案する。
  論文  参考訳（メタデータ） (2026-07-02T14:16:48Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• TS-Memory: Plug-and-Play Memory for Time Series Foundation Models [63.21390142212087]
  Time Series Foundation Models (TSFM) は大規模な事前訓練を通じて強力なゼロショット予測を実現する。 パラメトリック適応は破滅的な忘れを招き、非パラメトリック検索は予測を改善するが、データストア検索によってレイテンシが高くなる。 本稿では, TSFM を拡張した軽量メモリアダプタ TS-Memory としてParametric Memory Distillation を提案し,実装する。
  論文  参考訳（メタデータ） (2026-02-12T04:16:19Z)
• Deep Learning to Identify the Spatio-Temporal Cascading Effects of Train Delays in a High-Density Network [7.850219269698452]
  本稿では,マルチステップ列車遅延予測のための新しいXGeoAIフレームワークを開発し,評価する。 この研究の核心は、2段階の自動回帰グラフ注意ネットワーク(GAT)モデルであり、オランダの鉄道ネットワークの40%以上をカバーする実世界のデータセットでトレーニングされている。 実運用における実稼働性をテストするため,このモデルを逐次kステップ先予測プロトコルを用いて厳格に評価する。
  論文  参考訳（メタデータ） (2025-10-10T13:03:00Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
  我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。 本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
  論文  参考訳（メタデータ） (2025-03-14T17:59:41Z)
• AdaShadow: Responsive Test-time Model Adaptation in Non-stationary Mobile Environments [24.606016498430407]
  本稿では,非定常移動データ配信と資源動態のための応答性テスト時間適応フレームワークであるAdaShadowを提案する。 AdaShadowは、レイヤの重要度とレイテンシを推定する上での課題と、最適なレイヤ更新計画のスケジューリングに対処する。 その結果,AdaShadowは連続的なシフトの下で最高の精度-遅延バランスを達成することがわかった。
  論文  参考訳（メタデータ） (2024-10-10T16:41:39Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)

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。