Fugu-MT 論文翻訳(概要): An Adaptive Sampling Framework for Detecting Localized Concept Drift under Label Scarcity

論文の概要: An Adaptive Sampling Framework for Detecting Localized Concept Drift under Label Scarcity

arxiv url: http://arxiv.org/abs/2511.02452v1
Date: Tue, 04 Nov 2025 10:30:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-05 18:47:05.892754
Title: An Adaptive Sampling Framework for Detecting Localized Concept Drift under Label Scarcity
Title（参考訳）: ラベルスカルシティ下での局所的概念ドリフト検出のための適応サンプリングフレームワーク
Abstract要約: 本稿では,残差に基づく探索とエクスプロイトをEWMAモニタリングと組み合わせた適応型サンプリングフレームワークを提案し,予算制約下での局所的な概念ドリフトを効率的に検出する。総合ベンチマークの実証結果と電力市場に関するケーススタディは,ラベル効率とドリフト検出精度において優れた性能を示した。
参考スコア（独自算出の注目度）: 1.6312989763677888
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Concept drift and label scarcity are two critical challenges limiting the robustness of predictive models in dynamic industrial environments. Existing drift detection methods often assume global shifts and rely on dense supervision, making them ill-suited for regression tasks with local drifts and limited labels. This paper proposes an adaptive sampling framework that combines residual-based exploration and exploitation with EWMA monitoring to efficiently detect local concept drift under labeling budget constraints. Empirical results on synthetic benchmarks and a case study on electricity market demonstrate superior performance in label efficiency and drift detection accuracy.
Abstract（参考訳）: コンセプトドリフトとラベルの不足は、動的産業環境における予測モデルの堅牢性を制限する2つの重要な課題である。既存のドリフト検出法は、しばしばグローバルシフトを仮定し、密度の高い監視に依存し、局所ドリフトと限定ラベルによる回帰タスクには不適である。本稿では,残差に基づく探索とエクスプロイトをEWMAモニタリングと組み合わせた適応型サンプリングフレームワークを提案し,予算制約下での局所的な概念ドリフトを効率的に検出する。総合ベンチマークの実証結果と電力市場に関するケーススタディは,ラベル効率とドリフト検出精度において優れた性能を示した。

関連論文リスト

Navigating the Latent Manifold: Proactive Concept Drift Adaptation for Resilient NIDS [1.9678915302433768]
ドリフト適応検出のための新しいNIDSであるDriftXpertを提案する。フェーズ1では、潜在多様体偏差に基づく教師なし異常計量を導入する。位相2において、非定常分布下での破滅的忘れを緩和するために、表現整合性整合戦略を設計する。
論文参考訳（メタデータ） (2026-09-08T11:58:12Z)
A Framework for Evaluating and Benchmarking Concept Drift Detection Methods [18.74827879168727]
筆者らは,4つのドリフトタイプにわたる7つの実世界のデータセット上で,広く使用されているドリフト検出手法を14のベンチマークで評価した。その結果,現在のドリフト検出手法の長所と短所について考察した。
論文参考訳（メタデータ） (2026-06-05T19:02:17Z)
AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文参考訳（メタデータ） (2026-06-02T13:30:54Z)
MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
論文参考訳（メタデータ） (2026-05-18T01:52:12Z)
FIRCE: A Framework for Intrusion Response and Conformal Evaluation [3.3271517946886924]
FIRCEは侵入応答とコンフォーマル評価のためのフレームワークである。同型評価に基づく不確実性定量化とドリフト検出をサポートする。我々は、FIRCEが分散シフトを検出し、モデル再トレーニングをトリガーする能力を実証する。
論文参考訳（メタデータ） (2026-05-03T16:48:03Z)
Robust Outlier Detection and Low-Latency Concept Drift Adaptation for Data Stream Regression: A Dual-Channel Architecture [9.977810035655805]
外乱検出と概念ドリフト検出は、データ分析における2つの課題である。本稿では,関節外乱と概念ドリフト検出のための新しい頑健な回帰フレームワークを提案する。 EWMAD-DTにより強化された本フレームワークは,点アウトレーヤやコンセプトドリフトが共存しても優れた検出性能を示す。
論文参考訳（メタデータ） (2025-12-13T11:17:47Z)
Unsupervised Online Detection of Pipe Blockages and Leakages in Water Distribution Networks [6.036207670620086]
水分配ネットワーク(WDN)は、パイプ遮断やバックグラウンドリークといった課題に直面している。本稿では,WDNにおける2種類の障害を検出することを目的とした,教師なしオンライン学習フレームワークを提案する。
論文参考訳（メタデータ） (2025-08-22T12:23:40Z)
Flexible and Efficient Drift Detection without Labels [4.904906374079653]
ラベルレス環境での古典的統計的プロセス制御を用いたフレキシブルで効率的なドリフト検出アルゴリズムを提案する。計算制約の下では、我々の手法は従来の方法よりも統計的に優れている。
論文参考訳（メタデータ） (2025-06-10T12:31:04Z)
Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
異常検出は産業アプリケーションの品質管理において重要な役割を担っている。既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
論文参考訳（メタデータ） (2025-03-19T05:25:52Z)
Unsupervised Concept Drift Detection from Deep Learning Representations in Real-time [5.999777817331315]
概念ドリフトは、基礎となるデータ分布と対象領域の統計的性質が時間とともに変化する現象である。 textscDriftLensはリアルタイムなコンセプトドリフトの検出とキャラクタリゼーションのための教師なしフレームワークである。
論文参考訳（メタデータ） (2024-06-24T23:41:46Z)
A Neighbor-Searching Discrepancy-based Drift Detection Scheme for Learning Evolving Data [40.00357483768265]
本研究では,Nighbor-Searching Discrepancyに基づく新しい概念ドリフト検出手法を提案する。提案手法は,仮想ドリフトを無視しながら,実概念ドリフトを高精度に検出することができる。また、ある階級の侵略や撤退を特定することで、分類境界の変化の方向を示すこともできる。
論文参考訳（メタデータ） (2024-05-23T04:03:36Z)
Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
論文参考訳（メタデータ） (2023-12-19T15:34:52Z)
Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-06-08T04:09:13Z)
Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文参考訳（メタデータ） (2021-07-28T10:19:58Z)
WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文参考訳（メタデータ） (2021-05-21T11:58:50Z)
Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
論文参考訳（メタデータ） (2021-03-08T10:56:38Z)

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。