論文の概要: FastODT: A tree-based framework for efficient continual learning

• arxiv url: http://arxiv.org/abs/2603.13276v1
• Date: Fri, 27 Feb 2026 10:00:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.25605
• Title: FastODT: A tree-based framework for efficient continual learning
• Title（参考訳）: FastODT: 効率的な継続的学習のための木ベースのフレームワーク
• Authors: Daniel Bretsko, Piotr Walas, Devashish Khulbe, Sebastian Stros, Stanislav Sobolevsky, Tomas Satura,
• Abstract要約: 本稿では,Hoeffding が木の成長を制御できる不愉快な木モデルを提案する。 高速学習と推論をシームレスに統合し、効率的なメモリ管理と堅牢な知識保存を実現し、オンライン学習を可能にします。
• 参考スコア（独自算出の注目度）: 0.22390482983773527
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning models deployed in real-world settings must operate under evolving data distributions and constrained computational resources. This challenge is particularly acute in non-stationary domains such as energy time series, weather monitoring, and environmental sensing. To remain effective, models must support adaptability, continuous learning, and long-term knowledge retention. This paper introduces a oblivious tree-based model with Hoeffding bound controlling its growth. It seamlessly integrates rapid learning and inference with efficient memory management and robust knowledge preservation, thus allowing for online learning. Extensive experiments across energy and environmental sensing time-series benchmarks demonstrate that the proposed framework achieves performance competitive with, and in several cases surpassing, existing online and batch learning methods, while maintaining superior computational efficiency. Collectively, these results demonstrate that the proposed approach fulfills the core objectives of adaptability, continual updating, and efficient retraining without full model retraining. The framework provides a scalable and resource-aware foundation for deployment in real-world non-stationary environments where resources are constrained and sustained adaptation is essential.
• Abstract（参考訳）: 実世界の環境でデプロイされる機械学習モデルは、進化するデータ分散と制約された計算リソースの下で動作する必要がある。 この課題は、特にエネルギー時系列、気象モニタリング、環境センシングといった非定常領域において急激である。 効果的を維持するためには、モデルが適応性、継続的な学習、長期的知識保持をサポートする必要がある。 本稿では,Hoeffding が木の成長を制御できる不愉快な木モデルを提案する。 高速学習と推論をシームレスに統合し、効率的なメモリ管理と堅牢な知識保存を実現し、オンライン学習を可能にします。 エネルギーおよび環境検知時系列のベンチマークによる大規模な実験により,提案手法は既存のオンラインおよびバッチ学習手法に勝るものの,優れた計算効率を維持しつつ,性能を向上することを示した。 これらの結果から, 本手法は適応性, 継続的な更新, 効率的な再訓練を, 完全なモデル再訓練を伴わずに実現できることが示唆された。 このフレームワークは、リソースが制約され、持続的な適応が不可欠である現実世界の非定常環境に展開するためのスケーラブルでリソースを意識した基盤を提供する。

関連論文リスト

• Optimal Learning Rate Schedule for Balancing Effort and Performance [4.693715072095583]
  効果的に学習する方法を学ぶことは、生物学的エージェントにとって根本的な課題であり、人工エージェントに対する関心が高まっている。 本稿では,学習コストを増大させながら累積性能を最大化する最適制御プロセスとして,この問題を形式化する規範的フレームワークを提案する。 提案手法は,従来の学習体験を再現することで,必要な性能期待値に近似できることを示す。
  論文  参考訳（メタデータ） (2026-01-12T18:59:07Z)
• Environment-Aware Transfer Reinforcement Learning for Sustainable Beam Selection [3.2023814100005894]
  本稿では、転送学習と強化学習(RL)を用いて、5Gおよびネットワークを越えたビーム選択を改善するための新しい持続的アプローチを提案する。 本稿では,gNodeBs(gNBs)とその周辺散乱体の位置を表す点雲として環境をモデル化することを提案する。 点雲間のチャンファー距離を計算することにより、構造的に類似した環境を効率的に同定し、転送学習による事前学習モデルの再利用を可能にする。
  論文  参考訳（メタデータ） (2025-11-10T08:50:05Z)
• Load Forecasting for Households and Energy Communities: Are Deep Learning Models Worth the Effort? [0.0]
  エネルギーコミュニティ(EC)は、地域需要のシフトと自己充足力の向上に重要な役割を果たしている。 データ駆動予測は注目されているが、多くの実践的な文脈ではまだ十分に調査されていない。 本研究は, 地域規模, 歴史的データ可用性, モデルの複雑さなど, 最先端のディープラーニングモデルの有効性を評価する。
  論文  参考訳（メタデータ） (2025-01-09T06:29:50Z)
• Energy-Efficient Federated Edge Learning with Streaming Data: A Lyapunov Optimization Approach [34.00679567444125]
  本研究では,長期エネルギー制約下でのデータ到着や資源の可利用性に固有のランダム性に対処する動的スケジューリングと資源割当アルゴリズムを開発した。 提案アルゴリズムは, デバイススケジューリング, 計算容量調整, 帯域幅の割り当ておよび各ラウンドの送信電力を適応的に決定する。 本手法の有効性をシミュレーションにより検証し,ベースライン方式と比較して学習性能とエネルギー効率が向上したことを示す。
  論文  参考訳（メタデータ） (2024-05-20T14:13:22Z)
• 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)
• Actively Learning Costly Reward Functions for Reinforcement Learning [56.34005280792013]
  複雑な実世界の環境でエージェントを訓練することは、桁違いに高速であることを示す。 強化学習の手法を新しい領域に適用することにより、興味深く非自明な解を見つけることができることを示す。
  論文  参考訳（メタデータ） (2022-11-23T19:17:20Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。