論文の概要: OLR-WA: Online Weighted Average Linear Regression in Multivariate Data Streams

• arxiv url: http://arxiv.org/abs/2512.14892v1
• Date: Tue, 16 Dec 2025 20:17:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.780098
• Title: OLR-WA: Online Weighted Average Linear Regression in Multivariate Data Streams
• Title（参考訳）: OLR-WA:多変量データストリームにおけるオンライン重み付き平均線形回帰
• Authors: Mohammad Abu-Shaira, Alejandro Rodriguez, Greg Speegle, Victor Sheng, Ishfaq Ahmad,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 37.359920263612615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online learning updates models incrementally with new data, avoiding large storage requirements and costly model recalculations. In this paper, we introduce "OLR-WA; OnLine Regression with Weighted Average", a novel and versatile multivariate online linear regression model. We also investigate scenarios involving drift, where the underlying patterns in the data evolve over time, conduct convergence analysis, and compare our approach with existing online regression models. The results of OLR-WA demonstrate its ability to achieve performance comparable to the batch regression, while also showcasing comparable or superior performance when compared with other state-of-the-art online models, thus establishing its effectiveness. Moreover, OLR-WA exhibits exceptional performance in terms of rapid convergence, surpassing other online models with consistently achieving high r2 values as a performance measure from the first iteration to the last iteration, even when initialized with minimal amount of data points, as little as 1% to 10% of the total data points. In addition to its ability to handle time-based (temporal drift) scenarios, remarkably, OLR-WA stands out as the only model capable of effectively managing confidence-based challenging scenarios. It achieves this by adopting a conservative approach in its updates, giving priority to older data points with higher confidence levels. In summary, OLR-WA's performance further solidifies its versatility and utility across different contexts, making it a valuable solution for online linear regression tasks.
• Abstract（参考訳）: オンライン学習は、新しいデータとともに漸進的にモデルを更新し、大きなストレージ要件やコストのかかるモデル再計算を避ける。 本稿では,新しい多変量オンライン線形回帰モデルである"OLR-WA; OnLine Regression with Weighted Average"を紹介する。 また、データの基盤となるパターンが時間とともに進化するドリフトに関わるシナリオを調査し、収束分析を行い、既存のオンライン回帰モデルと比較する。 OLR-WAの結果は、バッチレグレッションに匹敵するパフォーマンスを達成する能力を示し、また、他の最先端のオンラインモデルと比較して、同等または優れたパフォーマンスを示す。 さらに、OLR-WAは、データポイントの1%から10%に満たない最小限のデータポイントで初期化しても、最初のイテレーションから最後のイテレーションまでのパフォーマンス指標として、常に高いr2値を達成している他のオンラインモデルよりも優れた性能を示す。 時間に基づく(時間的ドリフト)シナリオを扱う能力に加えて、OLR-WAは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として際立っている。 更新に保守的なアプローチを採用し、信頼性の高い古いデータポイントを優先することで、これを実現する。 要約すると、OLR-WAの性能は、様々な状況における汎用性と有用性をさらに強化し、オンライン線形回帰タスクにとって価値のあるソリューションとなる。

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)
• Provably Efficient Online RLHF with One-Pass Reward Modeling [70.82499103200402]
  人間のフィードバックからの強化学習は、大規模言語モデルと人間の好みを合わせることに顕著な成功を収めた。 オンラインRLHFは有望な方向性として現れ、反復的なデータ収集と改善を可能にしている。 本稿では,過去のデータを保存する必要をなくし,反復毎に一定時間更新を行うワンパス報酬モデリング手法を提案する。
  論文  参考訳（メタデータ） (2025-02-11T02:36:01Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Self-Supervised Learning for Time Series: A Review & Critique of FITS [0.0]
  最近提案されたモデルFITSは、パラメータ数を大幅に削減した競合性能を主張する。 複雑な周波数領域で1層ニューラルネットワークをトレーニングすることで、これらの結果を再現することができる。 実験の結果,FITSは特に周期パターンや季節パターンの捕集に優れるが,トレンド,非周期的,ランダムな組立行動に苦慮していることがわかった。
  論文  参考訳（メタデータ） (2024-10-23T23:03:09Z)
• OLR-WA Online Regression with Weighted Average [0.0]
  機械学習モデルをトレーニングするための新しいオンライン線形回帰手法を導入する。 導入されたモデルはOLR-WAと呼ばれ、データ変更時に柔軟性を提供するためにユーザ定義の重みを使用する。 一貫性のあるデータに対して、OLR-WAと静的バッチモデルも同様に、そして様々なデータに対して、ユーザがOLR-WAをより迅速に適応するように設定したり、変更に抵抗したりすることができる。
  論文  参考訳（メタデータ） (2023-07-06T06:39:27Z)
• Rank-N-Contrast: Learning Continuous Representations for Regression [28.926518084216607]
  Rank-N-Contrast(RNC)は、ターゲット空間のランクに基づいて、サンプルを互いに対比することで、回帰の連続的な表現を学習するフレームワークである。 RNCは、学習された表現の望ましい順序を目標命令に従って保証する。 RNCは最先端のパフォーマンスを達成し、データ効率の向上、ターゲットの刺激に対する堅牢性、データの破損など、興味深い特性を強調している。
  論文  参考訳（メタデータ） (2022-10-03T19:00:38Z)
• Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
  この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。 回帰フリーモデル更新を制約付き最適化問題に定式化する。 モデルアンサンブルが回帰を減らす方法を実証的に分析します。
  論文  参考訳（メタデータ） (2021-05-07T03:33:00Z)

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。