論文の概要: Learner-based Concept Drift Detection: Analysis and Evaluation

• arxiv url: http://arxiv.org/abs/2606.20216v1
• Date: Thu, 18 Jun 2026 13:31:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.879799
• Title: Learner-based Concept Drift Detection: Analysis and Evaluation
• Title（参考訳）: 学習者による概念ドリフト検出:分析と評価
• Authors: Md Moman Ul Haque Khan, Samira Sadaoui,
• Abstract要約: コンセプトドリフトの存在は多くの現実世界のアプリケーションにとって大きな課題となっている。 本研究では,複数のカテゴリにまたがるドリフト特性と多数のドリフト検出アルゴリズムについて理論的に検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning algorithms deployed for evolving streaming environments must handle the non-stationary data distributions, commonly referred to as concept drift. The presence of concept drift poses a major challenge for many real-world applications because it can severely degrade their predictive performance, hindering their ability to support robust decision-making. Consequently, the timely and efficient detection of drift events is critical for sustaining high accuracy over time. This study examines theoretically the concept drift characteristics and numerous drift detection algorithms across several categories. Furthermore, we evaluate their performance on both synthetic and real-world datasets exhibiting diverse streaming scenarios and drift characteristics, such as abrupt and gradual changes. This study aims to enhance understanding of the complex notion of concept drift characteristics and behavior of drift detectors, along with their applicability to diverse contexts.
• Abstract（参考訳）: ストリーミング環境の進化のためにデプロイされる機械学習アルゴリズムは、一般的にコンセプトドリフトと呼ばれる、静止しないデータ分散を扱う必要がある。 概念ドリフトの存在は、予測性能を著しく低下させ、堅牢な意思決定を支援する能力を妨げるため、多くの現実世界アプリケーションにとって大きな課題となる。 したがって、ドリフトイベントのタイムリーかつ効率的な検出は、時間とともに高い精度を維持するために重要である。 本研究では,複数のカテゴリにまたがるドリフト特性と多数のドリフト検出アルゴリズムについて理論的に検討した。 さらに, 多様なストリーミングシナリオと, 急激な変化や漸進的な変化などのドリフト特性を示す合成および実世界のデータセットの性能評価を行った。 本研究の目的は, ドリフト特性とドリフト検出器の挙動に関する複雑な概念の理解を深めることであり, 多様なコンテキストに適用可能であることにある。

関連論文リスト

• Uncertainty Estimation for Deep Reconstruction in Actuatic Disaster Scenarios with Autonomous Vehicles [68.82821445619759]
  原理的不確実性定量化は 能動センシング戦略に不可欠です Evidential Deep Learningは、すべてのセンサ構成で最高の再構築精度と不確実性校正を実現する。 これらの知見は、リアルタイムの自動運転車配備における不確実性認識フィールド再構築の方法として、エビデンシャル・ディープ・ラーニングを支持している。
  論文  参考訳（メタデータ） (2026-04-07T19:17:44Z)
• Drift-Aware Variational Autoencoder-based Anomaly Detection with Two-level Ensembling [9.077595042522288]
  本稿では,漸進的な学習と2段階のアンサンブルを用いて異常予測を行うVAE++ESDDを提案する。 実世界のデータセットと合成データセットを用いて包括的実験を行う。 本研究は,提案手法が強いベースラインと最先端の手法の両方を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-13T14:53:56Z)
• Continuous Evolution Pool: Taming Recurring Concept Drift in Online Time Series Forecasting [58.448663215248565]
  継続的進化プール(Continuous Evolution Pool, CEP)は、異なる概念の予測器のインスタンスを格納するプール機構である。 CEPは、様々な概念の知識を効果的に保持する。 オンライン予測と繰り返し概念のシナリオでは,CEPは予測結果を著しく向上させる。
  論文  参考訳（メタデータ） (2025-05-28T03:27:49Z)
• AutoML for Multi-Class Anomaly Compensation of Sensor Drift [44.63945828405864]
  センサドリフトは、時間とともに機械学習モデルのパフォーマンスを低下させる。 標準クロスバリデーション法はドリフトの不適切な会計によって性能を過大評価する。 本稿では,(1)モデル検証のための新しいセンサドリフト補償学習パラダイム,(2)分類性能の向上とセンサドリフト補償のための自動機械学習(AutoML)技術を提案する。
  論文  参考訳（メタデータ） (2025-02-26T14:34:53Z)
• Online Drift Detection with Maximum Concept Discrepancy [13.48123472458282]
  最大概念差に基づく新しい概念ドリフト検出手法であるMDD-DDを提案する。 本手法は,概念埋め込みのコントラスト学習により,様々な形態のコンセプトドリフトを適応的に同定することができる。
  論文  参考訳（メタデータ） (2024-07-07T13:57:50Z)
• Methods for Generating Drift in Text Streams [49.3179290313959]
  コンセプトドリフトは、実世界のデータセットで頻繁に発生する現象であり、時間とともにデータ分布の変化に対応する。 本稿では,ラベル付きドリフトを用いたデータセット作成を容易にするための4つのテキストドリフト生成手法を提案する。 その結果、ドリフトの直後にすべてのメソッドのパフォーマンスが低下し、インクリメンタルなSVMは、以前のパフォーマンスレベルを実行し、回復するのに最も速いことを示している。
  論文  参考訳（メタデータ） (2024-03-18T23:48:33Z)
• A comprehensive analysis of concept drift locality in data streams [3.5897534810405403]
  概念ドリフトは、進化するデータ特性への効果的なモデル適応のために検出されなければならない。 本稿では,その局所性とスケールに基づいて,概念ドリフトの新たな分類法を提案する。 我々は, 様々な難易度において, 9つの最先端ドリフト検出器の比較評価を行った。
  論文  参考訳（メタデータ） (2023-11-10T20:57:43Z)
• Are Concept Drift Detectors Reliable Alarming Systems? -- A Comparative Study [6.7961908135481615]
  コンセプトドリフト(concept drift)またはコンセプトドリフト(concept drift)は、機械学習モデルのパフォーマンスに影響を与える。 本研究では, ドリフト検出装置の信頼性を評価し, 時間内ドリフトの同定を行う。 本研究の目的は,ドリフト検出器がどの状況で使用されるべきかを,実践者が理解できるようにすることである。
  論文  参考訳（メタデータ） (2022-11-23T16:31:15Z)
• SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation [152.60469768559878]
  ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。 曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。 私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
  論文  参考訳（メタデータ） (2022-06-16T17:59:52Z)
• Automatic Learning to Detect Concept Drift [40.69280758487987]
  誤り率の変化パターンを追跡し,コンセプトドリフトの分類を学習する新しいフレームワークであるMeta-ADDを提案する。 具体的には、トレーニングフェーズにおいて、様々なコンセプトドリフトの誤差率に基づいてメタ特徴を抽出し、その後、原型ニューラルネットワークを介してメタ検出装置を開発する。 検出フェーズでは、学習したメタ検出器が微調整され、ストリームベースのアクティブラーニングを介して対応するデータストリームに適応する。
  論文  参考訳（メタデータ） (2021-05-04T11:10:39Z)

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。