論文の概要: OLC-WA: Drift Aware Tuning-Free Online Classification with Weighted Average
- arxiv url: http://arxiv.org/abs/2512.12785v1
- Date: Sun, 14 Dec 2025 17:52:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.436604
- Title: OLC-WA: Drift Aware Tuning-Free Online Classification with Weighted Average
- Title（参考訳）: OLC-WA:重み付き平均オンライン分類
- Authors: Mohammad Abu Shaira, Yunhe Feng, Heng Fan, Weishi Shi,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.902790013938006
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world data sets 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. This paper introduces Online Classification with Weighted Average (OLC-WA), an adaptive, hyperparameter-free online classification model equipped with an automated optimization mechanism. OLC-WA operates by blending incoming data streams with an existing base model. This blending is facilitated by an exponentially weighted moving average. Furthermore, an integrated optimization mechanism dynamically detects concept drift, quantifies its magnitude, and adjusts the model based on the observed data stream characteristics. This approach empowers the model to effectively adapt to evolving data distributions within streaming environments. Rigorous empirical evaluation across diverse benchmark datasets shows that OLC-WA achieves performance comparable to batch models in stationary environments, maintaining accuracy within 1-3%, and surpasses leading online baselines by 10-25% under drift, demonstrating its effectiveness in adapting to dynamic data streams.
- Abstract（参考訳）: 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。
本稿では,自動最適化機構を備えた適応型ハイパーパラメータフリーオンライン分類モデル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。
このブレンディングは指数的に重み付けされた移動平均によって促進される。
さらに、統合最適化機構は、概念ドリフトを動的に検出し、その大きさを定量化し、観測されたデータストリーム特性に基づいてモデルを調整する。
このアプローチにより、ストリーミング環境内のデータ分散の進化に効果的に適応することが可能になる。
多様なベンチマークデータセットに対する厳密な実証的な評価は、OLC-WAが静止環境でのバッチモデルに匹敵するパフォーマンスを達成し、1～3%の精度を維持し、主要なオンラインベースラインを10～25%上回り、ダイナミックなデータストリームに適応する効果を実証していることを示している。
関連論文リスト
- OLR-WAA: Adaptive and Drift-Resilient Online Regression with Dynamic Weighted Averaging [7.146027549101716]
「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。
論文 参考訳（メタデータ） (2025-12-14T17:39:51Z) - 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) - Boosting Generalization Performance in Model-Heterogeneous Federated Learning Using Variational Transposed Convolution [0.27309692684728615]
Federated Learning(FL)は、分散クライアントがローカルデータを効率的に処理できるようにする、先駆的な機械学習パラダイムである。
従来のモデル均質なアプローチは、主に局所的なトレーニング手順を正規化したり、集約においてクライアントの重みを動的に調整したりする。
モデルアグリゲーションなしで未確認データに対するクライアントの一般化性能を向上させるモデル不均一FLフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-03T08:55:18Z) - Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。
動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。
これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
論文 参考訳（メタデータ） (2025-07-14T16:19:00Z) - 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) - AiGAS-dEVL: An Adaptive Incremental Neural Gas Model for Drifting Data Streams under Extreme Verification Latency [6.7236795813629]
ストリーミング設定では、データフローはパターン(コンセプトドリフト)の非定常性をもたらす要因によって影響を受ける。
本稿では,AiGAS-dEVLという新しい手法を提案する。これは,時間とともにストリーム内で検出されるすべての概念の分布を特徴付けるために,神経ガスの増大に依存する。
我々のアプローチは、時間とともにこれらの点の挙動をオンライン分析することで、特徴空間における概念の進化が定義できるようになることを明らかにしている。
論文 参考訳（メタデータ） (2024-07-07T14:04:57Z) - Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。
この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
論文 参考訳（メタデータ） (2023-10-07T23:21:25Z) - 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) - Employing chunk size adaptation to overcome concept drift [2.277447144331876]
ブロックベースのデータストリーム分類アルゴリズムに適応可能な新しいチャンク適応復元フレームワークを提案する。
提案アルゴリズムは,概念ドリフト検出時のデータチャンクサイズを調整し,その変更が使用済みモデルの予測性能に与える影響を最小限に抑える。
論文 参考訳（メタデータ） (2021-10-25T12:36:22Z) - 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。