論文の概要: DT-GOL: Dual-Track Geometric Online Learning in Nonstationary Environment with Label Delay
- arxiv url: http://arxiv.org/abs/2606.22950v1
- Date: Mon, 22 Jun 2026 07:30:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 03:21:58.048738
- Title: DT-GOL: Dual-Track Geometric Online Learning in Nonstationary Environment with Label Delay
- Title（参考訳）: DT-GOL:ラベル遅延を伴う非定常環境における2トラック幾何オンライン学習
- Authors: Yulin Wang, Yi He, Dianlong You, Di Wu,
- Abstract要約: DT-GOLは、時間的補償から空間的推論へ移行し、教師付きレイテンシギャップを埋める新しいフレームワークである。
厳密な自己学習とは異なり、幾何情報を軟質ラベルに蒸留する動的エビデンス校正機構を導入する。
実データおよび合成データセットの実験により、DT-GOLは既存の最先端のベースライン法よりも大幅に優れていることが示された。
- 参考スコア（独自算出の注目度）: 32.4218154275348
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online learning is crucial for handling complex data streams in big data applications. Recent research has begun to focus on dynamic scenarios, i.e., non-stationary environments. However, a crucial yet often overlooked aspect is label latency, where new data may not receive labels in time due to the slow and expensive labeling process, thus hindering rapid adaptation to dynamic environments. To resolve this impasse, we propose Dual-Track Geometry Online Learning (DT-GOL), a novel framework that shifts from temporal compensation to spatial reasoning to bridge the supervised latency gap. By modeling the delay challenge as a semi-supervised task, we leverage real-time topological evolution of features as a reliable geometric surrogate for unobservable conceptual changes to achieve proactive supervised adaptation within the delay window. Unlike rigid self-training, we introduce a dynamic evidence calibration mechanism that distills geometric information into soft labels that perceive uncertainty, effectively mitigating the confirmation bias inherent in hard pseudo-labels. Furthermore, to resolve the stability-plasticity dilemma, we design a decoupled dual-track architecture in which a master learner serves as a stable anchor, updated strictly from delayed ground truth, while a transient branch leverages soft geometric knowledge for low-risk forward adaptation. Extensive experiments on real and synthetic datasets demonstrate that DT-GOL significantly outperforms existing state-of-the-art baseline methods, especially in scenarios with concept drift.
- Abstract（参考訳）: ビッグデータアプリケーションで複雑なデータストリームを扱うためには、オンライン学習が不可欠だ。
近年の研究では、動的シナリオ、すなわち非定常環境に焦点が当てられている。
しかし、しばしば見過ごされる重要な側面は、ラベルのレイテンシであり、新しいデータは、遅くて高価なラベル付けプロセスのためにラベルを受け取らないため、動的環境への迅速な適応を妨げている。
この問題を解決するために,時間的補償から空間的推論へ移行し,教師付きレイテンシギャップを埋める新しいフレームワークであるDual-Track Geometry Online Learning (DT-GOL)を提案する。
遅延課題を半教師付きタスクとしてモデル化することにより,特徴の時間的トポロジカル進化を信頼性のある幾何的サロゲートとして活用し,観測不能な概念変化を予測し,遅延ウィンドウ内で積極的に教師付き適応を実現する。
厳密な自己学習とは異なり、幾何的情報を不確実性を知覚するソフトラベルに蒸留する動的エビデンス校正機構を導入し、ハード擬似ラベルに固有の確認バイアスを効果的に軽減する。
さらに、安定性・塑性ジレンマを解決するために、マスター学習者が安定なアンカーとして機能し、遅延した地上真実から厳密に更新されるような分離されたデュアルトラックアーキテクチャを設計し、一方、過渡分岐は低リスク前方適応にソフトな幾何学的知識を活用する。
実データと合成データセットの大規模な実験により、DT-GOLは既存の最先端のベースライン法、特にコンセプトドリフトのシナリオよりも大幅に優れていることが示された。
関連論文リスト
- High-Fidelity Industrial Crash Dynamics Prediction via Geometry-Aware Operator Learning with Memory-Efficient Low-Rank Attention [0.2174820084855635]
我々は,GeoTransolverフレームワークが,産業規模での高精度かつ高忠実なクラッシュダイナミクス予測に有効なソリューションであることを示す。
ワンショット、時間条件、自動回帰ロールアウト戦略は、トレーニングオーバーヘッドと推論遅延を著しく低減し、最先端の精度を実現する。
本結果は,複雑な安全クリティカルな自動車力学の高忠実なサロゲートモデリングのための幾何認識演算子学習の実用性を強調した。
論文 参考訳（メタデータ） (2026-05-26T23:15:53Z) - Drift-Aware Online Dynamic Learning for Nonstationary Multivariate Time Series: Application to Sintering Quality Prediction [8.77587871192859]
堅牢な多時間予測性能を維持するために,DA-MSDL(Drift-Aware Multi-Scale Dynamic Learning)フレームワークを提案する。
提案フレームワークは,非定常環境における品質モニタリングに有効なオンライン動的学習パラダイムを提供する。
論文 参考訳（メタデータ） (2026-04-10T14:30:57Z) - Learn Structure, Adapt on the Fly: Multi-Scale Residual Learning and Online Adaptation for Aerial Manipulators [2.376629619475859]
自律型空中マニピュレータ(AAM)は本質的に非定常・多スケール残留力学を示す非線形系である。
本稿では,AAMにおけるリアルタイム残差モデリングと補償のための予測適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-12T08:02:43Z) - Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。
この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
論文 参考訳（メタデータ） (2026-01-12T05:43:20Z) - ARCADE: Adaptive Robot Control with Online Changepoint-Aware Bayesian Dynamics Learning [21.923263785405194]
現実のロボットは、動作条件の変化、外乱、非モデル化効果による進化力学の下で動作しなければならない。
本稿では,ストリーミングデータからリアルタイムで更新可能なロボットシステムの非線形ダイナミクスをモデル化するフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-16T11:57:42Z) - Unsupervised Online 3D Instance Segmentation with Synthetic Sequences and Dynamic Loss [52.28880405119483]
教師なしのオンライン3Dインスタンスのセグメンテーションは、基本的だが難しい課題だ。
UNITのような既存の手法はこの方向に進んできたが、訓練の多様性が制限されているままである。
本稿では,合成点雲列生成によるトレーニング分布の強化を目的とした新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-27T08:53:27Z) - Lightweight Task-Oriented Semantic Communication Empowered by Large-Scale AI Models [66.57755931421285]
大規模人工知能(LAI)モデルは、リアルタイム通信シナリオにおいて重大な課題を提起する。
本稿では,LAIモデルから知識を抽出・凝縮するために知識蒸留(KD)技術を活用することを提案する。
本稿では,反復推論の必要性を排除したプレストア圧縮機構を備えた高速蒸留法を提案する。
論文 参考訳（メタデータ） (2025-06-16T08:42:16Z) - Bridging the Reality Gap in Digital Twins with Context-Aware, Physics-Guided Deep Learning [3.0996501197166975]
デジタルツイン(DT)は強力な予測分析を可能にするが、シミュレーションと実際のシステムの相違 - 現実のギャップとして知られ、信頼性を損なう。
本稿では,新しいセンサデータを連続的に統合し,誤りを検知し,クエリ応答フレームワークを介してDTを再検討する,DTのためのReal Gap Analysis(RGA)モジュールを提案する。
提案手法は,コンテキスト推論の改善と物理的整合性維持のために,ドメイン・アドバイサル深層学習と低次シミュレータ誘導を融合する。
論文 参考訳（メタデータ） (2025-05-17T05:18:46Z) - Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。
我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。
教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
論文 参考訳（メタデータ） (2024-07-12T15:48:40Z) - Adapting to Online Label Shift with Provable Guarantees [137.89382409682233]
オンラインラベルシフトの問題を定式化し,検討する。
非定常性と監督の欠如は、この問題に取り組むことを困難にしている。
我々のアルゴリズムは最適な動的後悔を享受しており、性能が透かしの性質と競合していることを示している。
論文 参考訳（メタデータ） (2022-07-05T15:43:14Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z)
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。