論文の概要: Lyapunov-Stable Adaptive Control for Multimodal Concept Drift

• arxiv url: http://arxiv.org/abs/2510.15944v1
• Date: Thu, 09 Oct 2025 18:55:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-26 16:57:26.460791
• Title: Lyapunov-Stable Adaptive Control for Multimodal Concept Drift
• Title（参考訳）: Lyapunov-Stable Adaptive Control for Multimodal Concept Drift
• Authors: Tianyu Bell Pan, Mengdi Zhu, Alexa Jordyn Cole, Ronald Wilson, Damon L. Woodard,
• Abstract要約: 本稿では,概念ドリフトの存在下での頑健なマルチモーダル学習のための適応制御フレームワークLS-OGDを紹介する。 有界ドリフト条件下では、LS-OGD系の予測誤差は一様に有界となり、ドリフトが停止すると0に収束する。
• 参考スコア（独自算出の注目度）: 1.4864895279988264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal learning systems often struggle in non-stationary environments due to concept drift, where changing data distributions can degrade performance. Modality-specific drifts and the lack of mechanisms for continuous, stable adaptation compound this challenge. This paper introduces LS-OGD, a novel adaptive control framework for robust multimodal learning in the presence of concept drift. LS-OGD uses an online controller that dynamically adjusts the model's learning rate and the fusion weights between different data modalities in response to detected drift and evolving prediction errors. We prove that under bounded drift conditions, the LS-OGD system's prediction error is uniformly ultimately bounded and converges to zero if the drift ceases. Additionally, we demonstrate that the adaptive fusion strategy effectively isolates and mitigates the impact of severe modality-specific drift, thereby ensuring system resilience and fault tolerance. These theoretical guarantees establish a principled foundation for developing reliable and continuously adapting multimodal learning systems.
• Abstract（参考訳）: マルチモーダル学習システムは、データ分散の変化が性能を低下させるという概念の漂流のため、非定常環境でしばしば苦労する。 モダリティ固有のドリフトと、継続的で安定した適応のためのメカニズムの欠如はこの課題を複雑にしている。 本稿では,概念ドリフトの存在下での頑健なマルチモーダル学習のための適応制御フレームワークLS-OGDを紹介する。 LS-OGDは、検出されたドリフトと進化する予測エラーに応答して、モデルの学習速度と異なるデータモダリティ間の融合重みを動的に調整するオンラインコントローラを使用する。 有界ドリフト条件下では、LS-OGD系の予測誤差は一様に有界であり、ドリフトが停止した場合は0に収束する。 さらに、適応核融合戦略は、重度モード比ドリフトの影響を効果的に分離し緩和し、システムの弾力性と耐故障性を確保することを実証する。 これらの理論的な保証は、信頼性と継続的適応型マルチモーダル学習システムを開発するための原則的基盤を確立する。

関連論文リスト

• 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)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• RCCDA: Adaptive Model Updates in the Presence of Concept Drift under a Constrained Resource Budget [19.391900930310253]
  リアルタイム機械学習アルゴリズムは、コンセプトドリフトにモデルを適用するという課題に直面していることが多い。 既存のソリューションは、しばしば資源制約された環境に対して高い計算オーバーヘッドをもたらすドリフト検出法に依存している。 本稿では,MLトレーニングのダイナミクスを最適化し,事前定義されたリソース制約に対する厳格なコンプライアンスを確保する動的モデル更新ポリシーであるRCCDAを提案する。
  論文  参考訳（メタデータ） (2025-05-30T02:49:42Z)
• Diffusion Predictive Control with Constraints [51.91057765703533]
  拡散予測制御(Diffusion predictive control with constraints,DPCC)は、拡散に基づく制御のアルゴリズムである。 DPCCは,新しいテスト時間制約を満たすために,既存の手法よりも優れた性能を示すロボットマニピュレータのシミュレーションを通して示す。
  論文  参考訳（メタデータ） (2024-12-12T15:10:22Z)
• Adapting Multi-modal Large Language Model to Concept Drift From Pre-training Onwards [16.97188816362991]
  マルチモーダル大規模言語モデル(MLLM)は、実世界のストリーミングデータを扱う際に、コンセプトドリフトから問題に直面することが多い。 本稿では,概念ドリフト理論をマルチモーダル領域に拡張する統合フレームワークを提案する。 段階的ドリフトによって誘起されるバイアスを効果的に緩和するために,T分布に基づくドリフトアダプタを提案する。
  論文  参考訳（メタデータ） (2024-05-22T09:01:56Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• EdgeFD: An Edge-Friendly Drift-Aware Fault Diagnosis System for Industrial IoT [0.0]
  我々は,産業用モノのインターネット(IIoT)における頻繁なデータドリフトによる課題を軽減するため,DAWC(Drift-Aware Weight Consolidation)を提案する。 DAWCは複数のデータドリフトシナリオを効率的に管理し、エッジデバイス上での一定のモデル微調整の必要性を最小限にする。 包括的診断・可視化プラットフォームも開発しました。
  論文  参考訳（メタデータ） (2023-10-07T06:48:07Z)
• Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
  モデルに基づく強化学習手法であるIso-Dream++を提案する。 我々は、切り離された潜在的想像力に基づいて政策最適化を行う。 これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-03-27T02:55:56Z)
• An Adaptive Fuzzy Reinforcement Learning Cooperative Approach for the Autonomous Control of Flock Systems [4.961066282705832]
  この研究は、群集システムの自律制御に適応的な分散ロバスト性技術を導入している。 比較的柔軟な構造は、様々な目的を同時に狙うオンラインファジィ強化学習スキームに基づいている。 動的障害に直面した場合のレジリエンスに加えて、アルゴリズムはフィードバック信号としてエージェントの位置以上のものを必要としない。
  論文  参考訳（メタデータ） (2023-03-17T13:07:35Z)

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。