論文の概要: EARCP: Self-Regulating Coherence-Aware Ensemble Architecture for Sequential Decision Making -- Ensemble Auto-Regule par Coherence et Performance

• arxiv url: http://arxiv.org/abs/2603.14651v1
• Date: Sun, 15 Mar 2026 23:09:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.943795
• Title: EARCP: Self-Regulating Coherence-Aware Ensemble Architecture for Sequential Decision Making -- Ensemble Auto-Regule par Coherence et Performance
• Title（参考訳）: EARCP: 順序決定のための自己規制型コヒーレンス・アウェア・アンサンブルアーキテクチャ
• Authors: Mike Amega,
• Abstract要約: 本稿では,個々の性能とモデル間コヒーレンスに基づいて,専門家モデルを動的に重み付けする新しいアンサンブルアーキテクチャEARCPを提案する。 静的またはオフライン学習の組み合わせに依存する従来のアンサンブル法とは異なり、EARCPは原則化されたオンライン学習メカニズムを通じてモデルの重みを継続的に適用する。 このアーキテクチャは、乗法的重み更新アルゴリズムの理論的基礎と、新しいコヒーレンスベースの正規化項を組み合わせる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present EARCP (Ensemble Auto-Régulé par Cohérence et Performance), a novel ensemble architecture that dynamically weights heterogeneous expert models based on both their individual performance and inter-model coherence. Unlike traditional ensemble methods that rely on static or offline-learned combinations, EARCP continuously adapts model weights through a principled online learning mechanism that balances exploitation of high-performing models with exploration guided by consensus signals. The architecture combines theoretical foundations from multiplicative weight update algorithms with a novel coherence-based regularization term, providing both theoretical guarantees through regret bounds and practical robustness in non-stationary environments. We formalize the EARCP framework, prove sublinear regret bounds of O(sqrt(T log M)) under standard assumptions, and demonstrate its effectiveness through empirical evaluation on sequential prediction tasks including time series forecasting, activity recognition, and financial prediction. The architecture is designed as a general-purpose framework applicable to any domain requiring ensemble learning with temporal dependencies. An open-source implementation is available at https://github.com/Volgat/earcp and via PyPI (pip install earcp).
• Abstract（参考訳）: EARCP(Ensemble Auto-Régulé par Cohérence et Performance)は,個々の性能とモデル間コヒーレンスの両方に基づいて,異種の専門家モデルを動的に重み付けする,新しいアンサンブルアーキテクチャである。 静的またはオフラインで学習する組み合わせに依存する従来のアンサンブル法とは異なり、EARCPは、コンセンサス信号によって導かれる探索とハイパフォーマンスモデルの活用をバランスさせる原則付きオンライン学習メカニズムを通じて、モデルウェイトを継続的に適用している。 このアーキテクチャは、乗法的重み更新アルゴリズムと新しいコヒーレンスに基づく正規化項を結合し、後悔境界による理論的保証と非定常環境における実用的堅牢性の両方を提供する。 我々はEARCPフレームワークを定式化し、標準前提条件下でのO(sqrt(T log M))のサブ線形後悔境界を証明し、時系列予測、アクティビティ認識、財務予測を含む逐次予測タスクに対する経験的評価を通じてその効果を実証する。 アーキテクチャは、時間的依存を伴うアンサンブル学習を必要とするあらゆるドメインに適用可能な汎用フレームワークとして設計されている。 オープンソース実装はhttps://github.com/Volgat/earcp と PyPI (pip install earcp) で利用可能である。

関連論文リスト

• Smooth embeddings in contracting recurrent networks driven by regular dynamics: A synthesis for neural representation [45.88028371034407]
  最近の実証研究は、訓練された反復モデルにおけるトポロジー保存潜在組織を文書化している。 貯水池計算における最近の理論的結果は、同期写像が埋め込みである条件を確立する。 私たちのコントリビューションは、一般的な同期と、契約型貯水池の埋め込み保証を組み立てる統合フレームワークです。
  論文  参考訳（メタデータ） (2026-01-26T23:10:39Z)
• Deep Copula Classifier: Theory, Consistency, and Empirical Evaluation [0.0]
  ディープコピュラ(Deep Copula、DCC)は、依存モデルから境界推定を分離するクラス条件生成モデルである。 DCCは解釈可能で、ベイズ整合であり、過剰リスク$O(nr/(2r+d))$$$r$-smooth copulasを達成する。
  論文  参考訳（メタデータ） (2025-05-29T02:07:26Z)
• Triple Attention Transformer Architecture for Time-Dependent Concrete Creep Prediction [0.0]
  本稿では, 時間依存コンクリートクリープ予測のための新しい三重注意変換器アーキテクチャを提案する。 具体的なクリープ予測を言語処理に類似した自己回帰シーケンスモデリングタスクに変換することで,我々のアーキテクチャはトランスフォーマーの自己認識機構を活用する。 このアーキテクチャは、平均絶対パーセンテージ誤差1.63%、R2値0.999を全データセットで達成する。
  論文  参考訳（メタデータ） (2025-05-28T22:30:35Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Regularized Neural Ensemblers [55.15643209328513]
  本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。 低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。 このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-10-06T15:25:39Z)
• Sequence Learning Using Equilibrium Propagation [2.3361887733755897]
  Equilibrium Propagation (EP) は、バックプロパゲーションのような従来の学習フレームワークに代わる、強力でより生物学的な代替手段である。 現代のホップフィールドネットワークにおける最近の発展を利用して、エネルギーベースモデルをさらに理解し、EPを用いた複雑なシーケンス分類タスクのためのソリューションを開発する。
  論文  参考訳（メタデータ） (2022-09-14T20:01:22Z)
• Landmark Regularization: Ranking Guided Super-Net Training in Neural Architecture Search [70.57382341642418]
  重量共有は、コモディティハードウェア上での検索を可能にするため、ニューラルネットワークアーキテクチャ検索のデファクトスタンダードとなっています。 近年の研究では、スタンドアロンアーキテクチャのパフォーマンスと対応する共有重み付きネットワークのパフォーマンスのランキング障害が実証されている。 本稿では,共有重みネットワークの性能ランキングとスタンドアロンアーキテクチャのパフォーマンスランキングの相関を最大化することを目的とした正規化用語を提案する。
  論文  参考訳（メタデータ） (2021-04-12T09:32:33Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)

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。