論文の概要: Early Classification of Time Series in Non-Stationary Cost Regimes
- arxiv url: http://arxiv.org/abs/2602.00918v1
- Date: Sat, 31 Jan 2026 22:09:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.46637
- Title: Early Classification of Time Series in Non-Stationary Cost Regimes
- Title（参考訳）: 非定常コストレジームにおける時系列の早期分類
- Authors: Aurélien Renault, Alexis Bondu, Antoine Cornuéjols, Vincent Lemaire,
- Abstract要約: 時系列の早期分類(ECTS)は、できるだけ早く予測をしなければならない意思決定の問題に対処する。
既存の手法の多くは、学習目的を規定する時間依存意思決定コストは、既知の、固定された、そして正しく指定されていると仮定している。
本研究では,非定常性(非定常性)の実践的形態として,誤分類と意思決定遅延コストのバランスの漂流と,名目的訓練時間モデルから逸脱した意思決定コストの実現の2つについて検討する。
- 参考スコア（独自算出の注目度）: 0.1259953341639576
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early Classification of Time Series (ECTS) addresses decision-making problems in which predictions must be made as early as possible while maintaining high accuracy. Most existing ECTS methods assume that the time-dependent decision costs governing the learning objective are known, fixed, and correctly specified. In practice, however, these costs are often uncertain and may change over time, leading to mismatches between training-time and deployment-time objectives. In this paper, we study ECTS under two practically relevant forms of cost non-stationarity: drift in the balance between misclassification and decision delay costs, and stochastic realizations of decision costs that deviate from the nominal training-time model. To address these challenges, we revisit representative ECTS approaches and adapt them to an online learning setting. Focusing on separable methods, we update only the triggering model during deployment, while keeping the classifier fixed. We propose several online adaptations and baselines, including bandit-based and RL-based approaches, and conduct controlled experiments on synthetic data to systematically evaluate robustness under cost non-stationarity. Our results demonstrate that online learning can effectively improve the robustness of ECTS methods to cost drift, with RL-based strategies exhibiting strong and stable performance across varying cost regimes.
- Abstract（参考訳）: 早期分類(Early Classification of Time Series, ECTS)は、高い精度を維持しながらできるだけ早く予測をしなければならない意思決定の問題に対処する。
既存のECTS手法の多くは、学習目的を規定する時間依存決定コストは、既知の、固定された、そして正しく指定されていると仮定している。
しかし実際には、これらのコストはしばしば不確実であり、時間とともに変化する可能性があるため、トレーニング時間とデプロイメント時間の目標のミスマッチにつながります。
本稿では,ECTSを,非定常性(非定常性)と非定常性(非定常性)の2つの実践的な形態で検討し,不等級化と決定遅延コストのバランスの漂流と,名目訓練時間モデルから逸脱した決定コストの確率的実現について検討する。
これらの課題に対処するため、代表的ECTSアプローチを再考し、オンライン学習環境に適応する。
分離可能なメソッドに注目して、私たちは、分類器の修正を維持しながら、デプロイ中のトリガーモデルのみを更新します。
我々は,帯域ベースおよびRLベースのアプローチを含む,いくつかのオンライン適応とベースラインを提案し,コスト非定常性の下で頑健さを体系的に評価するための合成データに対する制御実験を行った。
この結果から,オンライン学習はコストドリフトに対するECTS手法の堅牢性を効果的に向上できることを示す。
関連論文リスト
- Scalable Decision Focused Learning via Online Trainable Surrogates [9.624413875440233]
コスト損失関数の評価を効率的な代理に置き換える高速化手法を提案する。
従来定義されていたサロゲートとは異なり、我々のアプローチは、急激な局所最適化のリスクを減らす不偏推定器に依存している。
提案手法は,他の最先端技術に匹敵するソリューション品質で,コストのかかる内部解決コールを削減する。
論文 参考訳（メタデータ） (2025-12-03T15:09:21Z) - e1: Learning Adaptive Control of Reasoning Effort [88.51897900019485]
AIモデルの思考予算の増大は、精度を大幅に向上させるが、すべての質問が同じ量の推論を保証しているわけではない。
ユーザは、アウトプットの品質を、レイテンシやコストに対してどのように評価するかによって、さまざまな理由付けの労力を割り当てる傾向があります。
本稿では,ユーザが指定したトークン数を用いてモデルを学習する自己適応型強化学習手法であるAdaptive Effort Controlを提案する。
論文 参考訳（メタデータ） (2025-10-30T23:12:21Z) - Cost-Optimal Active AI Model Evaluation [71.2069549142394]
生成AIシステムの開発には、継続的な評価、データ取得、アノテーションが必要である。
我々は、安価だがしばしば不正確で弱いレーダの使用を積極的にバランスさせる新しいコスト認識手法を開発した。
我々は、弱者と強者の間で所定のアノテーション予算を割り当てるためのコスト最適化政策のファミリーを導出する。
論文 参考訳（メタデータ） (2025-06-09T17:14:41Z) - When to retrain a machine learning model [0.0]
現実世界の機械学習モデルを維持する上で重要な課題は、データの継続的かつ予測不可能な進化に対応することだ。
本研究では,境界距離で評価されたモデル性能の進化を連続的に予測して決定する不確実性に基づく手法を提案する。
論文 参考訳（メタデータ） (2025-05-20T20:55:56Z) - RLER-TTE: An Efficient and Effective Framework for En Route Travel Time Estimation with Reinforcement Learning [5.4674463400564886]
En Route Travel Time Estimationは、走行経路から運転パターンを学習し、迅速かつ正確なリアルタイム予測を実現することを目的としている。
既存の手法は、実世界の交通システムの複雑さとダイナミズムを無視し、結果としてリアルタイムシナリオにおける効率と正確性に大きなギャップが生じる。
本稿では,ER-TTEの経路実装を再定義し,高効率かつ効率的な予測を行う新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-26T11:49:34Z) - Temporal-Difference Variational Continual Learning [77.92320830700797]
複数の先行推定の正則化効果を統合する新たな学習目標を提案する。
提案手法は, 変分CL法より優れたカタストロフィックフォーミングを効果的に緩和する。
論文 参考訳（メタデータ） (2024-10-10T10:58:41Z) - Provably Cost-Sensitive Adversarial Defense via Randomized Smoothing [26.26867107261039]
本研究では,コスト依存シナリオ下での対向的摂動に対する頑健な学習の問題について検討する。
当社のソリューションでは,コストに敏感なロバストネスを認証し,最適化するための,証明可能な堅牢な学習アルゴリズムを導入している。
さらに,モデル精度を損なうことなく,信頼性の高いコスト感受性を向上するロバストトレーニング手法を設計する。
論文 参考訳（メタデータ） (2023-10-12T21:39:16Z) - Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。
本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。
以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2023-09-15T17:10:51Z) - Rethinking Cost-sensitive Classification in Deep Learning via
Adversarial Data Augmentation [4.479834103607382]
コストに敏感な分類は、誤分類エラーがコストで大きく異なるアプリケーションにおいて重要である。
本稿では,過度パラメータ化モデルにコスト感受性を持たせるために,コスト依存型逆データ拡張フレームワークを提案する。
提案手法は,全体のコストを効果的に最小化し,臨界誤差を低減するとともに,全体的な精度で同等の性能を達成できる。
論文 参考訳（メタデータ） (2022-08-24T19:00:30Z) - Temporal-Difference Value Estimation via Uncertainty-Guided Soft Updates [110.92598350897192]
Q-Learningは、制御タスクを実行するポリシーを学ぶのに効果的であることが証明されている。
推定ノイズは、政策改善ステップにおける最大演算子の後、バイアスとなる。
UQL(Unbiased Soft Q-Learning)は、2つのアクション、有限状態空間からマルチアクション、無限状態マルコフ決定プロセスまで、EQLの作業を拡張する。
論文 参考訳（メタデータ） (2021-10-28T00:07:19Z) - Uncertainty Weighted Actor-Critic for Offline Reinforcement Learning [63.53407136812255]
オフライン強化学習は、探索を必要とせずに、事前に収集された静的データセットから効果的なポリシーを学ぶことを約束する。
既存のQラーニングとアクター批判に基づくオフポリティクスRLアルゴリズムは、アウト・オブ・ディストリビューション(OOD)アクションや状態からのブートストラップ時に失敗する。
我々は,OOD状態-動作ペアを検出し,トレーニング目標への貢献度を下げるアルゴリズムであるUncertainty Weighted Actor-Critic (UWAC)を提案する。
論文 参考訳（メタデータ） (2021-05-17T20:16:46Z)
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。