WOODS: Benchmarks for Out-of-Distribution Generalization in Time Series

要約

タイトル：WOODS：時系列の外れ値汎化のベンチマーク

要約：

– 機械学習モデルは、分布のシフト下では一般化できないことがしばしばある。
– これらの問題を理解し、克服することは、Out-of-Distribution (OOD)汎化の研究分野につながっている。
– 静的なコンピュータビジョンタスクに対して広く研究されている一方で、時系列タスクにおけるOOD汎化は未知数である。
– このギャップを埋めるために、異なるデータモダリティ（動画、脳の記録、センサー信号など）をカバーする8つの時間系列ベンチマークを提供するWOODSを発表する。
– 既存のOOD汎化アルゴリズムを時系列タスク用に改訂し、システマティックなフレームワークを使用して評価する。
– 我々の実験結果から、我々のデータセットに対して経験的リスク最小化とOOD汎化アルゴリズムの改善の余地があることが示され、時系列タスクが新たな課題を提供していることを強調している。
– コードとドキュメントはhttps://woods-benchmarks.github.ioで入手可能である。

要約(オリジナル)

Machine learning models often fail to generalize well under distributional shifts. Understanding and overcoming these failures have led to a research field of Out-of-Distribution (OOD) generalization. Despite being extensively studied for static computer vision tasks, OOD generalization has been underexplored for time series tasks. To shine light on this gap, we present WOODS: eight challenging open-source time series benchmarks covering a diverse range of data modalities, such as videos, brain recordings, and sensor signals. We revise the existing OOD generalization algorithms for time series tasks and evaluate them using our systematic framework. Our experiments show a large room for improvement for empirical risk minimization and OOD generalization algorithms on our datasets, thus underscoring the new challenges posed by time series tasks. Code and documentation are available at https://woods-benchmarks.github.io .

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI