論文の概要: DriftGuard: A Hierarchical Framework for Concept Drift Detection and Remediation in Supply Chain Forecasting

• arxiv url: http://arxiv.org/abs/2601.08928v1
• Date: Tue, 13 Jan 2026 19:08:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.147123
• Title: DriftGuard: A Hierarchical Framework for Concept Drift Detection and Remediation in Supply Chain Forecasting
• Title（参考訳）: DriftGuard:サプライチェーン予測における概念ドリフト検出と修復のための階層的フレームワーク
• Authors: Shahnawaz Alam, Mohammed Abdul Rahman, Bareera Sadeqa,
• Abstract要約: 現在の業界慣行は、3～6ヶ月ごとに手動の監視と定期的な再訓練に依存している。 DriftGuardは、早期にドリフトを検出し、その根本原因を説明し、影響を受けるモデルを自動的に修正するエンド・ツー・エンドのシステムである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supply chain forecasting models degrade over time as real-world conditions change. Promotions shift, consumer preferences evolve, and supply disruptions alter demand patterns, causing what is known as concept drift. This silent degradation leads to stockouts or excess inventory without triggering any system warnings. Current industry practice relies on manual monitoring and scheduled retraining every 3-6 months, which wastes computational resources during stable periods while missing rapid drift events. Existing academic methods focus narrowly on drift detection without addressing diagnosis or remediation, and they ignore the hierarchical structure inherent in supply chain data. What retailers need is an end-to-end system that detects drift early, explains its root causes, and automatically corrects affected models. We propose DriftGuard, a five-module framework that addresses the complete drift lifecycle. The system combines an ensemble of four complementary detection methods, namely error-based monitoring, statistical tests, autoencoder anomaly detection, and Cumulative Sum (CUSUM) change-point analysis, with hierarchical propagation analysis to identify exactly where drift occurs across product lines. Once detected, Shapley Additive Explanations (SHAP) analysis diagnoses the root causes, and a cost-aware retraining strategy selectively updates only the most affected models. Evaluated on over 30,000 time series from the M5 retail dataset, DriftGuard achieves 97.8% detection recall within 4.2 days and delivers up to 417 return on investment through targeted remediation.
• Abstract（参考訳）: サプライチェーン予測モデルは、現実の状況が変化するにつれて、時間の経過とともに低下する。 消費者の嗜好は変化し、供給の混乱は需要パターンを変え、コンセプトドリフトとして知られるものを生み出した。 この静かな劣化は、システム警告を発生させることなく、在庫や過剰在庫につながる。 現在の業界慣行は、3～6ヶ月ごとに手動の監視と定期的な再訓練に依存しており、急激なドリフトイベントを欠いている間に安定した期間に計算資源を浪費している。 既存の学術手法では、診断や修復に対処することなくドリフト検出に限定し、サプライチェーンデータに固有の階層構造を無視している。 小売業者が必要とするのは、早期にドリフトを検出し、根本原因を説明し、影響を受けるモデルを自動的に修正するエンドツーエンドシステムだ。 完全なドリフトライフサイクルに対処する5つのモジュールフレームワークであるDriftGuardを提案する。 このシステムは、エラーベースのモニタリング、統計検査、オートエンコーダ異常検出、CUSUM(Cumulative Sum)変更点解析の4つの相補的検出方法と、製品ライン間のドリフトの正確な位置を特定する階層的伝播解析を組み合わせたものである。 ひとたび検出されると、Shapley Additive Explanations (SHAP)分析は根本原因を診断し、最も影響を受けるモデルのみを選択的に更新するコストアウェアリトレーニング戦略である。 M5小売データセットから3万回以上の時系列を評価し、DriftGuardは4.2日以内に97.8%の検知リコールを達成し、ターゲットの修復を通じて最大417回の投資リターンを提供する。

関連論文リスト

• 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)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Improving Real-Time Concept Drift Detection using a Hybrid Transformer-Autoencoder Framework [0.0]
  応用機械学習では、概念ドリフトはモデルの性能を著しく低下させる。 本研究では,複雑な時間力学をモデル化するためのトランスフォーマーとオートエンコーダを組み合わせたハイブリッドフレームワークを提案する。 以上の結果から,トランスフォーメーション・オートエンコーダは,文献で一般的に用いられるオートエンコーダよりも早く,より感度の高いドリフトを検出した。
  論文  参考訳（メタデータ） (2025-08-09T19:39:33Z)
• Adversarial Attacks for Drift Detection [6.234802839923542]
  本研究は、よく用いられるドリフト検出スキームの欠点について研究する。 ドリフト中のデータストリームを検出せずに構築する方法を示す。 特に,一般的な検出手法に対して,可能なすべての逆数を計算する。
  論文  参考訳（メタデータ） (2024-11-25T17:25:00Z)
• Unsupervised Concept Drift Detection from Deep Learning Representations in Real-time [5.999777817331315]
  概念ドリフトは、基礎となるデータ分布と対象領域の統計的性質が時間とともに変化する現象である。 textscDriftLensはリアルタイムなコンセプトドリフトの検出とキャラクタリゼーションのための教師なしフレームワークである。
  論文  参考訳（メタデータ） (2024-06-24T23:41:46Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis [49.910053255238566]
  ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。 従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。 我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2023-05-18T01:27:48Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)

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。