論文の概要: Autonomous Drift Learning in Data Streams: A Unified Perspective
- arxiv url: http://arxiv.org/abs/2605.01295v1
- Date: Sat, 02 May 2026 07:11:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.689229
- Title: Autonomous Drift Learning in Data Streams: A Unified Perspective
- Title（参考訳）: データストリームにおける自律的ドリフト学習:統一的な視点
- Authors: Xiaoyu Yang, En Yu, Jie Lu,
- Abstract要約: 自律的な学習システムを追求する上で、データ分散とモデル行動が一定であるという前提は、基本的には持続不可能である。
本稿では,システムの運用状態に基づいて分野を体系化する新しい3次元分類法を提案する。
ドリフト適応,連続学習,時間的一般化の断片的パラダイムをブリッジすることで,自己進化型インテリジェントシステム構築のロードマップを概説する。
- 参考スコア（独自算出の注目度）: 21.166882700131293
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the pursuit of autonomous learning systems, the foundational assumption of stationarity, the premise that data distributions and model behaviors remain constant, is fundamentally untenable. Historically, the research community has addressed non-stationary environments almost exclusively under the scope of concept drift, focusing primarily on temporal shifts in streams. However, as learning systems become increasingly autonomous and complex, merely adapting to temporal non-stationarity is no longer sufficient. Evolving beyond this traditional perspective, we propose a novel, three-dimensional taxonomy that systematizes the field based on the operational state of the system. First, time stream drift distinguishes between stochastic arbitrary patterns and structural rhythmic dynamics. Second, data stream drift disentangles shifts in feature representations, identified as representation drift, from changes in underlying semantics, recognized as semantic drift. Third, model stream drift characterizes the internal endogenous divergence of learning systems through the lenses of sequential plasticity, decentralized heterogeneity, and policy instability. Based on this framework, we systematically review 193 representative studies and identify key open challenges. By bridging the fragmented paradigms of drift adaptation, continual learning, and temporal generalization, this survey outlines a roadmap for building self-evolving intelligent systems capable of learning autonomously through continuous change.
- Abstract（参考訳）: 自律学習システムの追求において、データの分布とモデル行動が一定であるという前提である定常性の基本的な仮定は、基本的には不可能である。
歴史的に、研究コミュニティは、主にストリームの時間的シフトに焦点を当てた、コンセプトドリフトの範囲内で、ほとんど静止しない環境に対処してきた。
しかし、学習システムがますます自律的で複雑になるにつれて、時間的非定常性に適応するだけでは不十分である。
この伝統的な視点を超えて、システムの運用状態に基づいて分野を体系化する新しい3次元分類法を提案する。
まず、時間の流れのドリフトは確率的任意のパターンと構造的リズム力学を区別する。
第二に、データストリームのドリフトは、表現ドリフトとして認識される特徴表現において、セマンティックスの変化からセマンティックドリフトとして認識されるセマンティックスの変化へとシフトする。
第3に、モデルストリームドリフトは、シーケンシャルな可塑性、分散化された異質性、および政策不安定性のレンズを通して、学習システムの内在的ばらつきを特徴付ける。
この枠組みに基づいて、193の代表的な研究を体系的にレビューし、主要なオープン課題を特定する。
ドリフト適応、連続学習、時間的一般化の断片化されたパラダイムをブリッジすることで、継続的変化を通じて自律的に学習できる自己進化型インテリジェントシステムを構築するためのロードマップを概説する。
関連論文リスト
- Teleodynamic Learning a new Paradigm For Interpretable AI [0.0]
我々は、学習が固定目的ではない機械学習の新しいパラダイムであるTeleodynamic Learningを紹介した。
この枠組みは生物系に触発され、知能を3つの量の複合進化として扱う。
本研究では,スペンサー・ブラウンの形式法則を基礎とした遠隔力学学習システムであるDistinction Engine (DE11) のフレームワークをインスタンス化する。
論文 参考訳（メタデータ） (2026-03-11T22:43:10Z) - Degradation of Feature Space in Continual Learning [2.322400467239964]
本研究では,特徴空間の等方性向上が連続学習における表現品質の向上に寄与するかどうかを考察する。
等方正則化は改善せず、実際には劣化し、連続的な設定で精度をモデル化できる。
論文 参考訳（メタデータ） (2026-02-06T10:26:34Z) - Contribution of task-irrelevant stimuli to drift of neural representations [2.0305676256390934]
生物学的および人工的な学習者は、その生涯を通じてデータと経験の流れに本質的にさらされている。
最近の研究によると、性能が安定しても、基礎となる神経表現は時間とともに徐々に変化する。
本研究では,データ分布の関数としてドリフトを特徴付けるとともに,タスク非関連刺激による学習ノイズが長期ドリフトを生じさせることを示す。
論文 参考訳（メタデータ） (2025-10-24T15:54:25Z) - Non-Stationary Learning of Neural Networks with Automatic Soft Parameter Reset [98.52916361979503]
非定常性を自動的にモデル化し適応する新しい学習手法を導入する。
非定常的・非政治的強化学習環境において,本手法が有効であることを示す。
論文 参考訳（メタデータ） (2024-11-06T16:32:40Z) - Causal Temporal Representation Learning with Nonstationary Sparse Transition [22.6420431022419]
Causal Temporal Representation Learning (Ctrl) 法は、複雑な非定常時間列の時間的因果ダイナミクスを特定することを目的としている。
この研究は、人間の直感的な理解と整合したスパース遷移の仮定を採用し、理論的な観点から識別可能性の結果を提示している。
本稿では,非定常スパース遷移を用いた因果時間表現学習(CtrlNS)を提案する。
論文 参考訳（メタデータ） (2024-09-05T00:38:27Z) - Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
クラスに依存しない動き予測法は点雲全体の動きを直接予測する。
既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。
3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
論文 参考訳（メタデータ） (2024-03-20T02:58:45Z) - Triplet Attention Transformer for Spatiotemporal Predictive Learning [9.059462850026216]
本稿では,フレーム間動的特徴とフレーム内静的特徴の両方を捉えるために,革新的な三重項注意変換器を提案する。
このモデルはトリプレット・アテンション・モジュール(TAM)を組み込んだもので、時間、空間、チャネル次元における自己アテンションのメカニズムを探求することで、従来のリカレント・ユニットを置き換える。
論文 参考訳（メタデータ） (2023-10-28T12:49:33Z) - Critical Learning Periods for Multisensory Integration in Deep Networks [112.40005682521638]
ニューラルネットワークが様々な情報源からの情報を統合する能力は、トレーニングの初期段階において、適切な相関した信号に晒されることに批判的になることを示す。
臨界周期は、訓練されたシステムとその学習された表現の最終性能を決定づける、複雑で不安定な初期過渡的ダイナミクスから生じることを示す。
論文 参考訳（メタデータ） (2022-10-06T23:50:38Z) - Stochastic Coherence Over Attention Trajectory For Continuous Learning
In Video Streams [64.82800502603138]
本稿では,映像ストリーム中のピクセルワイズ表現を段階的かつ自律的に開発するための,ニューラルネットワークに基づく新しいアプローチを提案する。
提案手法は, 参加者の入場地を観察することで, エージェントが学習できる, 人間の様の注意機構に基づく。
実験では,3次元仮想環境を利用して,映像ストリームを観察することで,エージェントが物体の識別を学べることを示す。
論文 参考訳（メタデータ） (2022-04-26T09:52:31Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳（メタデータ） (2020-06-18T04:54:11Z)
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。