論文の概要: Provenance Guided Incremental Learning Under Evolving Concept Definitions
- arxiv url: http://arxiv.org/abs/2608.23893v1
- Date: Mon, 24 Aug 2026 23:03:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.655276
- Title: Provenance Guided Incremental Learning Under Evolving Concept Definitions
- Title（参考訳）: 進化的概念定義に基づく初歩的インクリメンタルラーニング
- Abstract要約: 本稿では,ルールによる概念シフトについて検討し,ターゲット定義概念を直接修正する。
我々は、連続した概念定義を構造化されたルールデルタにコンパイルする証明誘導型インクリメンタルラーニングフレームワークを導入する。
また、金融、人口統計、サイバーセキュリティ、グラフ構造化データにしきい値、述語、論理、リレーショナル、リレーショナル、リレーショナル、混合概念の修正を加えたルールシフトベンチも導入しています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning systems deployed over long periods must adapt not only to statistical changes in incoming data, but also to revisions of the definitions that generate their prediction targets. Conventional concept-drift methods typically infer such changes from observations or prediction errors, even when the underlying policy, rule, or query has been explicitly modified. This paper studies rule-induced concept shift, where the target-defining concept is revised directly, causing previously stored instances to acquire different semantic labels without requiring any change in their observed data. We introduce a provenance-guided incremental learning framework that compiles consecutive concept definitions into a structured rule delta, traces the changed components through historical provenance, certifies records whose previous labels remain valid, and restricts reevaluation to a localized candidate region. Executable revisions are relabeled automatically, ambiguous cases are handled through selective supervision, and the resulting changes are used for incremental predictor repair. A versioned concept memory further supports recurring definitions. We also introduce RuleShift-Bench, spanning financial, demographic, cybersecurity, and graph-structured data with threshold, predicate, logical, relational, recurring, and mixed concept revisions. Across the benchmark, provenance-guided repair attains 92.3% accuracy and 90.2% Macro-F1 while reprocessing 14.7% of the historical collection and retaining 94.6% of affected records. Its average update latency is 179s compared with 993s for complete relabeling and retraining. The results demonstrate that an explicit concept revision can be exploited as a data-maintenance signal, allowing learning systems to update the supervision and predictive state that depend on the change while preserving knowledge that remains valid.
- Abstract（参考訳）: 長期にわたって展開される学習システムは、受信したデータの統計的変化だけでなく、予測対象を生成する定義の修正にも適応しなければならない。
従来の概念ドリフト法は、基礎となるポリシー、ルール、クエリが明示的に修正された場合でも、観察や予測エラーからこのような変化を推測する。
本稿では,ルールによる概念シフトについて検討し,ターゲット定義概念を直接修正することで,従来記憶されていたインスタンスが観測データの変更を必要とせず,異なる意味ラベルを取得できることを示す。
本稿では,連続した概念定義を構造化されたルールデルタにコンパイルし,変更したコンポーネントを過去の証明を通じてトレースし,過去のラベルが有効であるレコードを認証し,局所化された候補領域の再評価を制限する,証明誘導型漸進学習フレームワークを提案する。
実行可能リビジョンは自動的に許容され、不明瞭なケースは選択的監視によって処理され、その結果の変化は漸進的な予測器の修理に使用される。
バージョニングされたコンセプトメモリはさらに繰り返し定義をサポートする。
また、金融、人口統計、サイバーセキュリティ、グラフ構造化データにしきい値、述語、論理、リレーショナル、リレーショナル、リレーショナル、混合概念の修正を加えたルールシフトベンチも導入しています。
ベンチマーク全体では、保証付き修理は92.3%の精度と90.2%のマクロF1を達成し、歴史的コレクションの14.7%を再処理し、94.6%の影響を受けた記録を保持した。
平均更新レイテンシは179秒で、完全レバーベリングと再トレーニングでは993秒である。
その結果、明示的な概念修正をデータ保守信号として活用することで、学習システムは、変化に依存した監視と予測状態を更新し、有効な知識を保ちながら、その変化を予測できることを示した。
関連論文リスト
- Continual Visual Learning under Evolving Semantic Concept Shift [1.565870461096057]
SemReWriteは、有効な知識を保持しながら、古いビジュアルセマンティックマッピングを選択的に更新するフレームワークである。
また、ImageNet、iNaturalist、CUB-200-2011、DomainNetにまたがるEvoShift-Benchについても、クラス分割、マージ、境界修正、挿入、部分再定義、再発、混合セマンティック-外観シフトを含むセマンティックトランジションを導入している。
論文 参考訳（メタデータ） (2026-08-24T23:14:46Z) - Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。
適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。
DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
論文 参考訳（メタデータ） (2026-06-30T20:57:51Z) - STALE: Can LLM Agents Know When Their Memories Are No Longer Valid? [5.361950931863979]
大規模言語モデル(LLM)エージェントは、コヒーレントで長期的なパーソナライズされたメモリを維持することがますます期待されている。
現在のベンチマークは、主に静的な事実検索を計測し、新しい証拠が現れたときに保存された信念を更新する能力を見下ろしている。
専門家が検証した400の競合シナリオのベンチマークであるSTALEを紹介します。
CUPMemは,構造化状態統合と伝搬認識探索による書き込み時間リビジョンを強化するプロトタイプである。
論文 参考訳（メタデータ） (2026-05-07T16:31:15Z) - Do Not Imitate, Reinforce: Iterative Classification via Belief Refinement [10.794100274863816]
模擬目的を強化学習(RL)に置き換える強化反復分類(RIC)を提案する。
RICは、クラス上の予測分布を反復的に更新するリカレントエージェントをデプロイし、予測品質を段階的に改善するための報酬を受け取る。
画像分類ベンチマークでは、RICは教師付きベースラインの精度とキャリブレーションの改善を照合し、入力間で適応的に計算を割り当てることを学ぶ。
論文 参考訳（メタデータ） (2026-04-23T23:06:48Z) - Stake the Points: Structure-Faithful Instance Unlearning [12.36218755528715]
マシン・アンラーニング(MU)は、保持された知識の有効性を保ちながら、指定されたデータの影響を取り除くことを目的としている。
本稿では,知識構造を維持するための基準点となるセマンティックアンカーの利害関係を導入する,構造に忠実な新しい枠組みを提案する。
その結果、平均利得は32.9%、22.5%、19.3%で、削除-保留トレードオフのバランスと一般化の強化が示されている。
論文 参考訳（メタデータ） (2026-03-13T11:40:21Z) - Are We Evaluating the Edit Locality of LLM Model Editing Properly? [68.441768731381]
この目的のために既存の特異性評価プロトコルは不十分であることがわかった。
既存の特異度指標は特異度正規化器の強度と弱い相関関係にある。
また、現在のメトリクスには十分な感度が欠けており、異なるメソッドの特異性性能の区別に効果がないこともわかりました。
論文 参考訳（メタデータ） (2026-01-24T07:07:21Z) - Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。
実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。
合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
論文 参考訳（メタデータ） (2025-09-30T17:52:12Z) - Probing Pre-trained Language Models on Code Changes: Insights from ReDef, a High-Confidence Just-in-Time Defect Prediction Dataset [0.0]
本稿では,22の大規模C/C++プロジェクトから得られた関数レベル修正の信頼性の高いベンチマークであるReDefを紹介する。
欠陥ケースはコミットの反転によって固定され、クリーンケースはポストホック履歴チェックによって検証される。
このパイプラインは3,164の欠陥と10,268のクリーンな修正をもたらし、既存のリソースよりも信頼性の高いラベルを提供する。
論文 参考訳（メタデータ） (2025-09-11T07:07:11Z) - When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。
deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。
カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
論文 参考訳（メタデータ） (2023-07-06T04:13:57Z) - Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain
Adaptive Semantic Segmentation [49.295165476818866]
本稿では、意味的セグメンテーションの文脈において、ソースドメインからターゲットドメインへの知識伝達の教師なし領域適応に焦点を当てる。
既存のアプローチでは、通常、擬似ラベルを未ラベルのターゲットドメインデータを完全に活用するための基礎的真理とみなす。
本稿では,擬似ラベル学習の修正のために,学習中の予測の不確かさを明示的に推定することを提案する。
論文 参考訳（メタデータ） (2020-03-08T12:37:19Z)
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。