論文の概要: Pitfalls of Unlabeled Disagreement-Based Drift Detection in Streaming Tree Ensembles

• arxiv url: http://arxiv.org/abs/2605.12803v1
• Date: Tue, 12 May 2026 22:53:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.717
• Title: Pitfalls of Unlabeled Disagreement-Based Drift Detection in Streaming Tree Ensembles
• Title（参考訳）: ストリームツリーアンサンブルにおけるラベルなし分解に基づくドリフト検出の落とし穴
• Authors: Lara Sá Neves, Afonso Lourenço, Lizy K. John, Goreti Marreiros,
• Abstract要約: 不一致に基づく不確実性は、ニューラルネットワークにおいて有望であることを示しているが、インクリメンタル決定木(IDT)のアンサンブルへの適応は、まだほとんど探索されていない。 本手法は,アンサンブルメンバーのラベルフリップによるバッチ特異的不一致対策を構築することで検討する。 本手法は多層パーセプトロン (MLP) のアンサンブルにおいてよく機能するが, IDT に適用した場合の損失検出性能は一貫して劣っている。
• 参考スコア（独自算出の注目度）: 1.2599533416395763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting concept drift in high-speed data streams remains challenging, particularly when models must operate on unlabeled data and avoid false alarms caused by benign shifts. While disagreement-based uncertainty has shown promise in neural networks, its adaptation to ensembles of incremental decision trees (IDTs) remains largely unexplored. We investigate this approach by constructing batch-specific disagreement measures via label flipping in ensemble members and evaluating their effectiveness for drift detection in tabular data streams. Our experiments show that, although this method performs well in ensembles of multi-layer perceptrons (MLPs), it consistently underperforms loss-based detectors when applied to IDTs. We attribute this behavior to the intrinsic rigidity of IDTs: learning primarily through structural expansion, with limited parameter adaptation, restricts model plasticity and prevents disagreement from reliably reflecting learning potential. Recent work on restructuring IDTs using their intrinsic decomposition into non-overlapping rules offers a promising direction for improving adaptability.
• Abstract（参考訳）: 高速データストリームにおけるコンセプトドリフトの検出は、特にモデルがラベルのないデータで動作し、良心的なシフトによる誤報を避ける必要がある場合、依然として困難である。 ニューラルネットワークにおける不一致に基づく不確実性は保証されているが、インクリメンタル決定木(IDT)のアンサンブルへの適応はいまだに未解明である。 本研究では,アンサンブルメンバーのラベルフリップによるバッチ特異的不一致対策の構築と,表形式のデータストリームにおけるドリフト検出の有効性について検討する。 本手法は多層パーセプトロン (MLP) のアンサンブルにおいてよく機能するが, IDT に適用した場合の損失検出性能は一貫して劣っている。 パラメータ適応が制限された構造的拡張を通じて学習することで、モデルの可塑性を制限し、学習ポテンシャルを確実に反映しない。 IDTを非重複規則に分解して再構成する最近の研究は、適応性を改善するための有望な方向性を提供する。

関連論文リスト

• Causal Parametric Drift Simulation: A Digital Twin Framework for Classifier Robustness Evaluation [0.0]
  動的環境における機械学習の分類器は、コンセプトドリフトに直面している。 構造因果モデルを用いて既存のドリフト検出を補完するフレームワークをDigital Twinsとして提案する。 我々の手法であるCausal Parametric Drift Simulation, stress-tests classifications to identify vulnerabilities before deployment。
  論文  参考訳（メタデータ） (2026-05-10T17:28:49Z)
• Mitigating Error Amplification in Fast Adversarial Training [58.74042726356826]
  FAT(Fast Adversarial Training)は、ネットワークに摂動不変表現の学習を促すことによって、モデルロバスト性の向上に有効であることが証明されている。 FATは、しばしば破滅的なオーバーフィッティング(CO)に悩まされ、モデルがトレーニングアタックに過度に適合し、目に見えないものへの一般化に失敗する。 本稿では、摂動予算と監視信号の両方を動的に調整する分散対応動的ガイダンス(DDG)戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-27T11:23:18Z)
• Disentangling Hardness from Noise: An Uncertainty-Driven Model-Agnostic Framework for Long-Tailed Remote Sensing Classification [5.67131669788127]
  本稿では,予測不確かさを認識不確かさとアレータリック不確実性に遠ざけるモデル非依存不確実性認識フレームワークを提案する。 具体的には、サンプル不足の指標としてEUを導入し、データあいまいさの定量化にAUを活用しながら、学習困難な尾サンプルの再重み付け戦略を導出する。
  論文  参考訳（メタデータ） (2026-01-01T09:28:56Z)
• Robust Outlier Detection and Low-Latency Concept Drift Adaptation for Data Stream Regression: A Dual-Channel Architecture [9.977810035655805]
  外乱検出と概念ドリフト検出は、データ分析における2つの課題である。 本稿では,関節外乱と概念ドリフト検出のための新しい頑健な回帰フレームワークを提案する。 EWMAD-DTにより強化された本フレームワークは,点アウトレーヤやコンセプトドリフトが共存しても優れた検出性能を示す。
  論文  参考訳（メタデータ） (2025-12-13T11:17:47Z)
• datadriftR: An R Package for Concept Drift Detection in Predictive Models [0.0]
  本稿では,コンセプトドリフトを検出するためのRパッケージであるドリフト器を紹介する。 ドリフト検出とドリフトの背後にある原因の理解を深めることのできるプロファイルドリフト検出(PDD)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-15T20:59:49Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Uncertainty-aware Unsupervised Multi-Object Tracking [33.53331700312752]
  教師なしマルチオブジェクトトラッカーは、信頼できる機能埋め込みの学習に劣る。 最近の自己監督技術は採用されているが、時間的関係を捉えられなかった。 本稿では、不確実性問題は避けられないが、不確実性自体を活用して学習された一貫性を向上させることができると論じる。
  論文  参考訳（メタデータ） (2023-07-28T09:03:06Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)
• Unpaired Adversarial Learning for Single Image Deraining with Rain-Space Contrastive Constraints [61.40893559933964]
  我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。 提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
  論文  参考訳（メタデータ） (2021-09-07T10:00:45Z)
• Detecting Concept Drift With Neural Network Model Uncertainty [0.0]
  不確実ドリフト検出(UDD)は、真のラベルにアクセスすることなくドリフトを検出することができる。 入力データに基づくドリフト検出とは対照的に,現在の入力データが予測モデルの特性に与える影響を考察する。 UDDは2つの合成および10の実世界のデータセットにおいて、回帰処理と分類処理の両方において、他の最先端戦略よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-05T08:56:36Z)

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。