論文の概要: Temporal Taskification in Streaming Continual Learning: A Source of Evaluation Instability

• arxiv url: http://arxiv.org/abs/2604.21930v1
• Date: Thu, 23 Apr 2026 17:59:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.8311
• Title: Temporal Taskification in Streaming Continual Learning: A Source of Evaluation Instability
• Title（参考訳）: ストリーミング連続学習における時間的タスク化:評価不安定性の源泉
• Authors: Nicolae Filat, Ahmed Hussain, Konstantinos Kalogiannis, Elena Burceanu,
• Abstract要約: Streaming Continual Learning (CL) は通常、連続的なストリームを時間分割を通じて個別のタスクのシーケンスに変換する。 塑性および安定性プロファイルに基づくタスク化レベルフレームワーク,タスク化間のプロファイル距離,BPS(Boundary-Profile Sensitivity)を導入する。 9日,30日,44日の分割で,予測誤差,忘れ,後方移動の大幅な変化を観測し,タスク化だけでCL評価に実質的影響を与えることを示した。
• 参考スコア（独自算出の注目度）: 2.011258852765398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Streaming Continual Learning (CL) typically converts a continuous stream into a sequence of discrete tasks through temporal partitioning. We argue that this temporal taskification step is not a neutral preprocessing choice, but a structural component of evaluation: different valid splits of the same stream can induce different CL regimes and therefore different benchmark conclusions. To study this effect, we introduce a taskification-level framework based on plasticity and stability profiles, a profile distance between taskifications, and Boundary-Profile Sensitivity (BPS), which diagnoses how strongly small boundary perturbations alter the induced regime before any CL model is trained. We evaluate continual finetuning, Experience Replay, Elastic Weight Consolidation, and Learning without Forgetting on network traffic forecasting with CESNET-Timeseries24, keeping the stream, model, and training budget fixed while varying only the temporal taskification. Across 9-, 30-, and 44-day splits, we observe substantial changes in forecasting error, forgetting, and backward transfer, showing that taskification alone can materially affect CL evaluation. We further find that shorter taskifications induce noisier distribution-level patterns, larger structural distances, and higher BPS, indicating greater sensitivity to boundary perturbations. These results show that benchmark conclusions in streaming CL depend not only on the learner and the data stream, but also on how that stream is taskified, motivating temporal taskification as a first-class evaluation variable.
• Abstract（参考訳）: Streaming Continual Learning (CL) は通常、連続的なストリームを時間分割を通じて個別のタスクのシーケンスに変換する。 我々は、この時間的タスク化ステップは中立的な前処理の選択ではなく、評価の構造的な要素であると主張している。 この効果を検討するために, 塑性および安定性プロファイルに基づくタスク化レベルフレームワーク, タスク化間のプロファイル距離, および境界ファイル感度(BPS)を導入し, CLモデルが訓練される前に, 境界摂動がいかに強固に変化するかを診断する。 CESNET-Timeseries24で予測したネットワークトラフィックを考慮せずに、連続的な微調整、経験再現、弾性重み強化、学習を評価し、時間的タスク化だけを変更しながら、ストリーム、モデル、トレーニング予算を固定する。 9日,30日,44日の分割で,予測誤差,忘れ,後方移動の大幅な変化を観測し,タスク化だけでCL評価に実質的影響を与えることを示した。 さらに, より短いタスク化は, よりノイズの高い分布レベルパターン, より大きい構造距離, 高いBPSを誘導し, 境界摂動に対する感度が高いことを示す。 これらの結果から,ストリーミングCLにおけるベンチマークの結論は学習者やデータストリームに依存するだけでなく,そのストリームのタスク化方法にも依存し,時間的タスク化を第一級評価変数として動機付けていることがわかった。

関連論文リスト

• Towards Realistic Class-Incremental Learning with Free-Flow Increments [17.558920457942936]
  本稿では,自由フロー到着時のCIL学習のためのモデルに依存しないフレームワークを提案する。 これは、サンプル周波数重み付き損失を一様に集約されたクラス条件監督に置き換えるクラスワイド平均(CWM)の目的を含む。 FFCIL下での各種CIL基線における明らかな性能劣化を実験により確認した。
  論文  参考訳（メタデータ） (2026-04-03T06:19:58Z)
• Squeezing More from the Stream : Learning Representation Online for Streaming Reinforcement Learning [14.799267729619428]
  ストリーミング強化学習(RL)では、トランジッションが観察され、1回の更新直後に破棄される。 本稿では,SPR(Self-Predictive Representations)をストリーミングパイプラインに拡張して,観測フレームの有効性を最大化することを提案する。 本稿では,リプレイバッファの欠如による性能ギャップを埋めることで,よりリッチな表現を学習できることを示す。
  論文  参考訳（メタデータ） (2026-02-10T04:06:32Z)
• Reasoning Stabilization Point: A Training-Time Signal for Stable Evidence and Shortcut Reliance [0.0]
  我々は、固定されたプローブ集合上の正規化トークン属性におけるエポック・ツー・エポックな変化として説明ドリフトを定義する。 RSPは内部のドリフトダイナミクスから計算され、アウト・オブ・ディストリビューションデータのチューニングは不要である。
  論文  参考訳（メタデータ） (2026-01-12T17:48:05Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• Edit-Based Flow Matching for Temporal Point Processes [51.33476564706644]
  時間的ポイントプロセス(TPP)は、イベントシーケンスを連続的にモデル化するための基本的なツールである。 最近の非自己回帰拡散型モデルでは、ノイズとデータとの連立補間によってこれらの問題を緩和している。 本稿では,TPPの編集操作を挿入,削除,置換することで,ノイズをデータに転送する編集フロープロセスを提案する。
  論文  参考訳（メタデータ） (2025-10-07T15:44:12Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• CLeaRForecast: Contrastive Learning of High-Purity Representations for Time Series Forecasting [2.5816901096123863]
  時系列予測(TSF)は現代社会において重要であり、多くの領域にまたがっている。 従来の表現学習に基づくTSFアルゴリズムは、典型的には、分離された傾向周期表現を特徴とする対照的な学習パラダイムを取り入れている。 CLeaRForecastは,高純度時系列表現をサンプル,特徴量,アーキテクチャ浄化手法を用いて学習するための,新しいコントラスト学習フレームワークである。
  論文  参考訳（メタデータ） (2023-12-10T04:37:43Z)
• Mitigating Catastrophic Forgetting in Task-Incremental Continual Learning with Adaptive Classification Criterion [50.03041373044267]
  本稿では,継続的学習のための適応型分類基準を用いた教師付きコントラスト学習フレームワークを提案する。 実験により, CFLは最先端の性能を達成し, 分類基準に比べて克服する能力が強いことが示された。
  論文  参考訳（メタデータ） (2023-05-20T19:22:40Z)
• Teaching BERT to Wait: Balancing Accuracy and Latency for Streaming Disfluency Detection [3.884530687475798]
  BERTをベースとしたシーケンスタギングモデルは,リアルタイムに分散を検出することができる。 モデルは、インクリメンタルな拡散検出に関する最近の研究と比較して、最先端のレイテンシと安定性のスコアを得る。
  論文  参考訳（メタデータ） (2022-05-02T02:13:24Z)

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。