論文の概要: Autonomous Concept Drift Threshold Determination

• arxiv url: http://arxiv.org/abs/2511.09953v1
• Date: Fri, 14 Nov 2025 01:21:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.602335
• Title: Autonomous Concept Drift Threshold Determination
• Title（参考訳）: 自律的コンセプトドリフト閾値決定
• Authors: Pengqian Lu, Jie Lu, Anjin Liu, En Yu, Guangquan Zhang,
• Abstract要約: 既存のドリフト検出手法は、繊細なテスト統計を設計することに焦点を当てている。 モデルの性能はこのしきい値に非常に敏感である。 本稿では、時間とともに適応するしきい値が、任意の固定しきい値を上回ることが証明される。
• 参考スコア（独自算出の注目度）: 29.617054108315546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing drift detection methods focus on designing sensitive test statistics. They treat the detection threshold as a fixed hyperparameter, set once to balance false alarms and late detections, and applied uniformly across all datasets and over time. However, maintaining model performance is the key objective from the perspective of machine learning, and we observe that model performance is highly sensitive to this threshold. This observation inspires us to investigate whether a dynamic threshold could be provably better. In this paper, we prove that a threshold that adapts over time can outperform any single fixed threshold. The main idea of the proof is that a dynamic strategy, constructed by combining the best threshold from each individual data segment, is guaranteed to outperform any single threshold that apply to all segments. Based on the theorem, we propose a Dynamic Threshold Determination algorithm. It enhances existing drift detection frameworks with a novel comparison phase to inform how the threshold should be adjusted. Extensive experiments on a wide range of synthetic and real-world datasets, including both image and tabular data, validate that our approach substantially enhances the performance of state-of-the-art drift detectors.
• Abstract（参考訳）: 既存のドリフト検出手法は、繊細なテスト統計を設計することに焦点を当てている。 検出しきい値を固定されたハイパーパラメータとして扱い、偽のアラームと遅延検出のバランスをとるように一度設定し、すべてのデータセットと時間の経過とともに均一に適用する。 しかし、機械学習の観点からは、モデル性能の維持が重要な目標であり、モデル性能がこのしきい値に非常に敏感であることを観察する。 この観察は、動的しきい値が確実に良いかどうかを調査するきっかけとなった。 本稿では、時間とともに適応するしきい値が、任意の固定しきい値を上回ることが証明される。 証明の主な考え方は、個々のデータセグメントから最高のしきい値を組み合わせることで構築された動的戦略が、すべてのセグメントに適用される単一のしきい値を上回ることが保証されていることである。 この定理に基づき,動的閾値決定アルゴリズムを提案する。 既存のドリフト検出フレームワークを新しい比較フェーズで拡張し、しきい値をどのように調整すべきかを知らせる。 画像データと表データの両方を含む、幅広い合成および実世界のデータセットに対する大規模な実験により、我々のアプローチが最先端のドリフト検出器の性能を大幅に向上することを確認した。

関連論文リスト

• Automated Model Evaluation for Object Detection via Prediction Consistency and Reliability [3.9486037760311725]
  PCR (Predict Consistency and Reliability) は, 地味ラベルを使わずに検出性能を推定する。 我々は、様々な重度の画像汚職を適用して、メタデータセットを構築する。 その結果,PCRは既存のAutoEval法よりも精度の高い性能推定値が得られることがわかった。
  論文  参考訳（メタデータ） (2025-08-16T15:39:56Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• 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)
• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• Feedback-Driven Pseudo-Label Reliability Assessment: Redefining Thresholding for Semi-Supervised Semantic Segmentation [5.7977777220041204]
  擬似スーパービジョンの一般的な実践は、事前に定義された信頼しきい値やエントロピーに基づいて擬似ラベルをフィルタリングすることである。 疑似ラベル選択のための動的フィードバック駆動しきい値決定手法であるEnsemble-of-Confidence Reinforcement (ENCORE)を提案する。 提案手法は,既存の擬似スーパービジョンフレームワークにシームレスに統合され,セグメンテーション性能が大幅に向上する。
  論文  参考訳（メタデータ） (2025-05-12T15:58:08Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)

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。