論文の概要: DAO-GP Drift Aware Online Non-Linear Regression Gaussian-Process

• arxiv url: http://arxiv.org/abs/2512.08879v1
• Date: Tue, 09 Dec 2025 18:12:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:08.083138
• Title: DAO-GP Drift Aware Online Non-Linear Regression Gaussian-Process
• Title（参考訳）: DAO-GPドリフトはオンラインの非線形回帰ガウス
• Authors: Mohammad Abu-Shaira, Ajita Rattani, Weishi Shi,
• Abstract要約: 現実世界のデータセットは、しばしば進化するデータ分布を特徴とする時間的ダイナミクスを示す。 コンセプトドリフトと呼ばれるこの現象を無視することは、モデルの予測精度を著しく低下させる。 Drift-Aware Online Process (GP) は、新規で、完全に適応的で、超自由で、スパースな非線形回帰モデルである。
• 参考スコア（独自算出の注目度）: 8.665001359628592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world datasets often exhibit temporal dynamics characterized by evolving data distributions. Disregarding this phenomenon, commonly referred to as concept drift, can significantly diminish a model's predictive accuracy. Furthermore, the presence of hyperparameters in online models exacerbates this issue. These parameters are typically fixed and cannot be dynamically adjusted by the user in response to the evolving data distribution. Gaussian Process (GP) models offer powerful non-parametric regression capabilities with uncertainty quantification, making them ideal for modeling complex data relationships in an online setting. However, conventional online GP methods face several critical limitations, including a lack of drift-awareness, reliance on fixed hyperparameters, vulnerability to data snooping, absence of a principled decay mechanism, and memory inefficiencies. In response, we propose DAO-GP (Drift-Aware Online Gaussian Process), a novel, fully adaptive, hyperparameter-free, decayed, and sparse non-linear regression model. DAO-GP features a built-in drift detection and adaptation mechanism that dynamically adjusts model behavior based on the severity of drift. Extensive empirical evaluations confirm DAO-GP's robustness across stationary conditions, diverse drift types (abrupt, incremental, gradual), and varied data characteristics. Analyses demonstrate its dynamic adaptation, efficient in-memory and decay-based management, and evolving inducing points. Compared with state-of-the-art parametric and non-parametric models, DAO-GP consistently achieves superior or competitive performance, establishing it as a drift-resilient solution for online non-linear regression.
• Abstract（参考訳）: 現実世界のデータセットは、しばしば進化するデータ分布を特徴とする時間的ダイナミクスを示す。 コンセプトドリフトと呼ばれるこの現象を無視することは、モデルの予測精度を著しく低下させる。 さらに、オンラインモデルにおけるハイパーパラメータの存在がこの問題を悪化させる。 これらのパラメータは典型的には固定されており、進化するデータ分布に応じてユーザによって動的に調整することはできない。 ガウス過程(GP)モデルは、不確実な定量化を伴う強力な非パラメトリック回帰能力を提供し、オンライン環境で複雑なデータ関係をモデル化するのに理想的である。 しかし、従来のオンラインGP手法では、ドリフト認識の欠如、固定されたハイパーパラメータへの依存、データスヌーピングの脆弱性、原理的崩壊機構の欠如、メモリ非効率など、いくつかの限界に直面している。 そこで我々はDAO-GP(Drift-Aware Online Gaussian Process)を提案する。 DAO-GPはドリフトの重大度に基づいてモデル挙動を動的に調整するドリフト検出・適応機構を内蔵している。 実験により, DAO-GPの定常条件, 多様なドリフトタイプ(突然, 漸進的, 漸進的), および様々なデータ特性に対する堅牢性が確認された。 解析は、その動的適応、効率的なインメモリと崩壊ベースの管理、および誘導点の進化を示す。 最先端のパラメトリックモデルや非パラメトリックモデルと比較して、DAO-GPは一貫して優れた性能や競争性能を達成し、オンライン非線形回帰のためのドリフトレジリエントなソリューションとして確立している。

関連論文リスト

• Data-Driven Modeling and Correction of Vehicle Dynamics [36.247839904691105]
  我々は、非自律車両力学を学習し、修正するためのデータ駆動型フレームワークを開発した。 より強い非線形システムでは、ディープニューラルネットワークアプローチであるFlow Map Learningを採用しています。
  論文  参考訳（メタデータ） (2025-11-29T03:04:28Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• datadriftR: An R Package for Concept Drift Detection in Predictive Models [0.0]
  本稿では,コンセプトドリフトを検出するためのRパッケージであるドリフト器を紹介する。 ドリフト検出とドリフトの背後にある原因の理解を深めることのできるプロファイルドリフト検出(PDD)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-15T20:59:49Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• Deep Gaussian Processes for Biogeophysical Parameter Retrieval and Model Inversion [14.097477944789484]
  本稿では,生物地球物理モデルインバージョンにおける深部ガウス過程 (DGP) の利用について紹介する。 浅いGPモデルとは異なり、DGPは複雑な(モジュラーで階層的な)プロセスを説明し、大きなデータセットによくスケールする効率的なソリューションを提供する。
  論文  参考訳（メタデータ） (2021-04-16T10:42:01Z)
• A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
  本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。 ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。 シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
  論文  参考訳（メタデータ） (2020-11-30T21:47:38Z)

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。

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。