論文の概要: OLR-WAA: Adaptive and Drift-Resilient Online Regression with Dynamic Weighted Averaging

• arxiv url: http://arxiv.org/abs/2512.12779v1
• Date: Sun, 14 Dec 2025 17:39:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.434378
• Title: OLR-WAA: Adaptive and Drift-Resilient Online Regression with Dynamic Weighted Averaging
• Title（参考訳）: OLR-WAA: 動的重み付け平均化による適応性とドリフト耐性のあるオンライン回帰
• Authors: Mohammad Abu-Shaira, Weishi Shi,
• Abstract要約: 「OLR-WAA:動的重み付き平均値をもつ適応的で弾力性のあるオンライン回帰」 本稿では, 動的重み付き平均値をもつ適応的かつ弾力性のあるオンライン回帰システムOLR-WAAを紹介する。
• 参考スコア（独自算出の注目度）: 7.146027549101716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world datasets frequently exhibit evolving data distributions, reflecting temporal variations and underlying shifts. Overlooking this phenomenon, known as concept drift, can substantially degrade the predictive performance of the model. Furthermore, the presence of hyperparameters in online models exacerbates this issue, as these parameters are typically fixed and lack the flexibility to dynamically adjust to evolving data. This paper introduces "OLR-WAA: An Adaptive and Drift-Resilient Online Regression with Dynamic Weighted Average", a hyperparameter-free model designed to tackle the challenges of non-stationary data streams and enable effective, continuous adaptation. The objective is to strike a balance between model stability and adaptability. OLR-WAA incrementally updates its base model by integrating incoming data streams, utilizing an exponentially weighted moving average. It further introduces a unique optimization mechanism that dynamically detects concept drift, quantifies its magnitude, and adjusts the model based on real-time data characteristics. Rigorous evaluations show that it matches batch regression performance in static settings and consistently outperforms or rivals state-of-the-art online models, confirming its effectiveness. Concept drift datasets reveal a performance gap that OLR-WAA effectively bridges, setting it apart from other online models. In addition, the model effectively handles confidence-based scenarios through a conservative update strategy that prioritizes stable, high-confidence data points. Notably, OLR-WAA converges rapidly, consistently yielding higher R2 values compared to other online models.
• Abstract（参考訳）: 実世界のデータセットは、時間的変動と基盤となるシフトを反映して、進化するデータ分布を頻繁に表示する。 概念ドリフトとして知られるこの現象を見渡すことは、モデルの予測性能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は、これらのパラメータは通常固定されており、進化するデータに動的に適応する柔軟性がないため、この問題を悪化させる。 本稿では,非定常データストリームの課題に対処し,効果的かつ連続的な適応を可能にするために設計されたハイパーパラメータフリーモデルである"OLR-WAA: An Adaptive and Drift-Resilient Online Regression with Dynamic Weighted Average"を紹介する。 目的はモデルの安定性と適応性の間のバランスを打つことです。 OLR-WAAは、指数的に重み付けされた移動平均を利用して、入力データストリームを統合することで、ベースモデルを漸進的に更新する。 さらに、コンセプトドリフトを動的に検出し、その大きさを定量化し、リアルタイムデータ特性に基づいてモデルを調整するユニークな最適化機構を導入する。 厳密な評価は、静的な設定でバッチ回帰性能と一致し、常に最先端のオンラインモデルより優れ、競合し、その有効性を確認していることを示している。 コンセプトドリフトデータセットは、OLR-WAAが効果的にブリッジするパフォーマンスギャップを明らかにし、他のオンラインモデルとは分離する。 さらに、安定した高信頼のデータポイントを優先する保守的な更新戦略を通じて、信頼性ベースのシナリオを効果的に処理する。 特に、OLR-WAAは急速に収束し、他のオンラインモデルよりも高いR2値が得られる。

関連論文リスト

• OLR-WA: Online Weighted Average Linear Regression in Multivariate Data Streams [37.359920263612615]
  OLR-WA; OnLine Regression with Weighted Average"は,多変量オンライン線形回帰モデルである。 OLR-WAは、急速に収束するという点で例外的な性能を示す。 信頼性に基づく挑戦的なシナリオを効果的に管理できる唯一のモデルである。
  論文  参考訳（メタデータ） (2025-12-16T20:17:35Z)
• OLC-WA: Drift Aware Tuning-Free Online Classification with Weighted Average [18.902790013938006]
  本稿では,重み付き平均オンライン分類(OLC-WA)を提案する。 OLC-WAは、入力データストリームを既存のベースモデルとブレンドすることで動作する。 統合最適化機構は、コンセプトドリフトを動的に検出し、その大きさを定量化し、モデルを調整する。
  論文  参考訳（メタデータ） (2025-12-14T17:52:39Z)
• DAO-GP Drift Aware Online Non-Linear Regression Gaussian-Process [8.665001359628592]
  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。
  論文  参考訳（メタデータ） (2025-12-09T18:12:38Z)
• Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
  オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。 i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T06:26:02Z)
• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• 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)
• Learning Robust Satellite Attitude Dynamics with Physics-Informed Normalising Flow [2.7222301668137483]
  宇宙機の姿勢力学の学習に物理インフォームドニューラルネットワークを組み込むことの利点について検討する。 バシリスクシミュレータで生成されたシミュレーションデータに基づいて複数のモデルを訓練する。 PINNベースのモデルは、制御精度とロバスト性の観点から、純粋にデータ駆動モデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-11T10:50:49Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• A Conditioned Unsupervised Regression Framework Attuned to the Dynamic Nature of Data Streams [0.0]
  本稿では,制限付きラベル付きデータを用いたストリーミング環境の最適戦略を提案し,教師なし回帰のための適応手法を提案する。 提案手法は,初期ラベルのスパースセットを活用し,革新的なドリフト検出機構を導入する。 適応性を高めるために,Adaptive WINdowingアルゴリズムとRoot Mean Square Error (RMSE)に基づく誤り一般化アルゴリズムを統合する。
  論文  参考訳（メタデータ） (2023-12-12T19:23:54Z)
• Probabilistic Traffic Forecasting with Dynamic Regression [15.31488551912888]
  本稿では,交通予測における誤り過程の学習を取り入れた動的回帰(DR)フレームワークを提案する。 このフレームワークは、行列構造自己回帰(AR)モデルを用いてベースモデルのエラー系列をモデル化することにより、時間独立の仮定を緩和する。 新たに設計された損失関数は、非等方的誤差項の確率に基づいており、モデルがベースモデルの元の出力を保持しながら確率的予測を生成することができる。
  論文  参考訳（メタデータ） (2023-01-17T01:12:44Z)
• Temporal Domain Generalization with Drift-Aware Dynamic Neural Network [12.483886657900525]
  ドリフト対応動的ニューラルネットワーク(DRAIN)フレームワークを用いた時間領域一般化を提案する。 具体的には、この問題を、データとモデル力学の関係を共同でモデル化するベイズ的枠組みに定式化する。 モデルパラメータとデータ分布の時間的ドリフトをキャプチャし、将来のデータなしで将来モデルを予測することができる。
  論文  参考訳（メタデータ） (2022-05-21T20:01:31Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)

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。