論文の概要: Modeling and Controlling Deployment Reliability under Temporal Distribution Shift

• arxiv url: http://arxiv.org/abs/2604.02351v1
• Date: Sun, 01 Mar 2026 17:18:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.327348
• Title: Modeling and Controlling Deployment Reliability under Temporal Distribution Shift
• Title（参考訳）: 時間分布シフト下における展開信頼性のモデル化と制御
• Authors: Naimur Rahman, Naazreen Tabassum,
• Abstract要約: 本稿では、信頼性を差別と校正からなる動的状態として扱うデプロイメント中心のフレームワークを提案する。 転がりリトレーニングよりもスムーズな信頼性トラジェクトリを実現することができることを示す。
• 参考スコア（独自算出の注目度）: 1.4323566945483497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning models deployed in non-stationary environments are exposed to temporal distribution shift, which can erode predictive reliability over time. While common mitigation strategies such as periodic retraining and recalibration aim to preserve performance, they typically focus on average metrics evaluated at isolated time points and do not explicitly model how reliability evolves during deployment. We propose a deployment-centric framework that treats reliability as a dynamic state composed of discrimination and calibration. The trajectory of this state across sequential evaluation windows induces a measurable notion of volatility, allowing deployment adaptation to be formulated as a multi-objective control problem that balances reliability stability against cumulative intervention cost. Within this framework, we define a family of state-dependent intervention policies and empirically characterize the resulting cost-volatility Pareto frontier. Experiments on a large-scale, temporally indexed credit-risk dataset (1.35M loans, 2007-2018) show that selective, drift-triggered interventions can achieve smoother reliability trajectories than continuous rolling retraining while substantially reducing operational cost. These findings position deployment reliability under temporal shift as a controllable multi-objective system and highlight the role of policy design in shaping stability-cost trade-offs in high-stakes tabular applications.
• Abstract（参考訳）: 非定常環境にデプロイされた機械学習モデルは、時間的分散シフトにさらされ、時間の経過とともに予測的信頼性を損なう可能性がある。 定期的なトレーニングやリカバリといった一般的な緩和戦略はパフォーマンスを維持することを目的としているが、通常は孤立した時間ポイントで評価される平均メトリクスに焦点を当て、デプロイメント中に信頼性がどのように進化するかを明示的にモデル化しない。 本稿では、信頼性を差別と校正からなる動的状態として扱うデプロイメント中心のフレームワークを提案する。 逐次評価ウィンドウ間のこの状態の軌道は、ボラティリティの計測可能な概念を誘導し、累積介入コストと信頼性のバランスをとる多目的制御問題としてデプロイメント適応を定式化することができる。 この枠組みの中で、我々は国家に依存した介入政策のファミリを定義し、結果として生じるコスト変動性のパレートフロンティアを実証的に特徴づける。 大規模で時間的インデックス付けされた信用リスクデータセット(2007-2018)の実験では、選択的、ドリフトトリガーによる介入は、連続的な圧延リトレーニングよりもスムーズな信頼性を実現すると同時に、運用コストを大幅に削減できることが示された。 これらの結果から,制御可能な多目的システムとしての時間的シフト下でのデプロイメントの信頼性が向上し,高収率表型アプリケーションにおける安定性とコストのトレードオフ形成における政策設計の役割が強調された。

関連論文リスト

• Stage-Adaptive Reliability Modeling for Continuous Valence-Arousal Estimation [11.761508894410182]
  本稿では,マルチモーダル統合におけるモダリティの信頼度を明示的に推定・校正する段階適応型信頼度モデリングフレームワークを提案する。 SAGEは、ステージ依存の情報量に応じて音声と視覚の表現を動的に再バランスする信頼性に配慮した融合機構を導入している。 Aff-Wild2ベンチマークの実験では、SAGEは既存のマルチモーダル融合法と比較して、一致相関係数のスコアを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-03-12T02:45:41Z)
• Sim2Act: Robust Simulation-to-Decision Learning via Adversarial Calibration and Group-Relative Perturbation [54.29523408543184]
  シミュレーションと意思決定の学習は、現実世界の展開を危険にさらすことなく、デジタル環境で安全なポリシートレーニングを可能にする。 既存のアプローチでは、平均的なシミュレーションの忠実さを改善するか、保守的な正規化を採用するかに重点を置いている。 提案するSim2Actは,シミュレータとポリシーのロバスト性の両方に対処するロバストなシミュレーション・トゥ・意思決定フレームワークである。
  論文  参考訳（メタデータ） (2026-03-10T00:51:47Z)
• When Sensors Fail: Temporal Sequence Models for Robust PPO under Sensor Drift [64.37959940809633]
  時間的持続的なセンサ故障下でのPPOのロバスト性について検討する。 トランスフォーマーを用いたシーケンスポリシーは, センサ数が少ない場合でも高いリターンを保ちながら, 堅牢性, RNN, SSMよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-03-04T22:21:54Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• Kalman-Inspired Runtime Stability and Recovery in Hybrid Reasoning Systems [1.9544213396776273]
  我々はカルマンにインスパイアされた観点からハイブリッド推論システムの安定性について研究する。 本稿では,イノベーション統計を監視し,新たな不安定性を検出し,リカバリを意識した制御機構を起動するランタイム安定化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-24T11:29:57Z)
• Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
  AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。 AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。 さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
  論文  参考訳（メタデータ） (2025-05-28T20:22:43Z)
• Stability Evaluation via Distributional Perturbation Analysis [28.379994938809133]
  分布摂動に基づく安定性評価基準を提案する。 我々の安定性評価基準は,エフェダデータの腐敗とエフェサブ人口シフトの両方に対処できる。 実証実験により,現実のアプリケーションにまたがる安定性評価基準の実用性を検証する。
  論文  参考訳（メタデータ） (2024-05-06T06:47:14Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。