論文の概要: Drift Localization using Conformal Predictions
- arxiv url: http://arxiv.org/abs/2602.19790v1
- Date: Mon, 23 Feb 2026 12:46:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-24 17:42:02.815889
- Title: Drift Localization using Conformal Predictions
- Title（参考訳）: 等角予測を用いたドリフト位置推定
- Authors: Fabian Hinder, Valerie Vaquet, Johannes Brinkrolf, Barbara Hammer,
- Abstract要約: 概念の漂流は、学習システムにとって重要な課題であり、モニタリングにおいて中心的な関心を持つ。
本研究では、共形予測に基づく根本的に異なるアプローチを考察する。
我々は、一般的なアプローチの欠点を論じ、最先端の画像データセットに対するアプローチの性能を実証する。
- 参考スコア（独自算出の注目度）: 6.543424351779503
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Concept drift -- the change of the distribution over time -- poses significant challenges for learning systems and is of central interest for monitoring. Understanding drift is thus paramount, and drift localization -- determining which samples are affected by the drift -- is essential. While several approaches exist, most rely on local testing schemes, which tend to fail in high-dimensional, low-signal settings. In this work, we consider a fundamentally different approach based on conformal predictions. We discuss and show the shortcomings of common approaches and demonstrate the performance of our approach on state-of-the-art image datasets.
- Abstract（参考訳）: 概念のドリフト — 時間とともに分布が変化する — は、学習システムに重大な課題をもたらし、監視に中心的な関心を持つ。
したがって、ドリフトを理解することが最重要であり、ドリフトのどのサンプルがドリフトの影響を受けているかを決定するドリフトの局所化が不可欠である。
いくつかのアプローチが存在するが、ほとんどの場合、高次元の低信号環境では失敗する傾向がある局所的なテストスキームに依存している。
本研究では、共形予測に基づく根本的に異なるアプローチを考察する。
我々は、一般的なアプローチの欠点を論じ、最先端の画像データセットに対するアプローチの性能を実証する。
関連論文リスト
- Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
異常検出は産業アプリケーションの品質管理において重要な役割を担っている。
既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。
提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
論文 参考訳（メタデータ） (2025-03-19T05:25:52Z) - Online Drift Detection with Maximum Concept Discrepancy [13.48123472458282]
最大概念差に基づく新しい概念ドリフト検出手法であるMDD-DDを提案する。
本手法は,概念埋め込みのコントラスト学習により,様々な形態のコンセプトドリフトを適応的に同定することができる。
論文 参考訳（メタデータ） (2024-07-07T13:57:50Z) - A comprehensive analysis of concept drift locality in data streams [3.5897534810405403]
概念ドリフトは、進化するデータ特性への効果的なモデル適応のために検出されなければならない。
本稿では,その局所性とスケールに基づいて,概念ドリフトの新たな分類法を提案する。
我々は, 様々な難易度において, 9つの最先端ドリフト検出器の比較評価を行った。
論文 参考訳（メタデータ） (2023-11-10T20:57:43Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳（メタデータ） (2023-06-15T17:03:14Z) - Federated Learning under Distributed Concept Drift [30.069809537266575]
分散コンセプトドリフト下でのフェデレートラーニング(FL)は、ほとんど探索されていない分野である。
まず, ドリフト適応に対する先行解が, 単一のグローバルモデルで, 停滞するドリフトに不適であることを実証した。
局所的ドリフト検出と階層的クラスタリングに基づくドリフトに反応する2つの新しいクラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-01T23:55:21Z) - Point-Level Region Contrast for Object Detection Pre-Training [147.47349344401806]
本稿では,物体検出作業のための自己教師付き事前学習手法である点レベル領域コントラストを提案する。
提案手法は,異なる領域から個々の点対を直接抽出することにより,コントラスト学習を行う。
領域ごとの集約表現と比較すると,入力領域の品質の変化に対して,我々のアプローチはより堅牢である。
論文 参考訳（メタデータ） (2022-02-09T18:56:41Z) - Asynchronous Federated Learning for Sensor Data with Concept Drift [17.390098048134195]
フェデレートラーニング(FL)では、複数の分散デバイスが共有モデルを共同でトレーニングする。
以前のFLアプローチのほとんどは、トレーニングプロセス中にデバイス上のデータが固定され、静止していると仮定している。
コンセプトドリフトは、既存のデータと今後のデータの間に矛盾があるため、学習プロセスを複雑にします。
本稿では,ローカルデバイス上でのドリフトを検知し,対処するための新しいアプローチであるFedConDを提案する。
論文 参考訳（メタデータ） (2021-09-01T02:06:42Z) - Deep Multi-Task Learning for Joint Localization, Perception, and
Prediction [68.50217234419922]
本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。
我々は,認識,予測,局所化を共同で行うシステムの設計を行う。
本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
論文 参考訳（メタデータ） (2021-01-17T17:20:31Z)
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。