論文の概要: When the Martingale Never Stops Firing: Anytime-Valid Gating on Real Forecast Streams
- arxiv url: http://arxiv.org/abs/2608.30502v1
- Date: Mon, 31 Aug 2026 09:32:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.330655
- Title: When the Martingale Never Stops Firing: Anytime-Valid Gating on Real Forecast Streams
- Title（参考訳）: Martingaleは、いつまでもフィリングをやめない: 実況ストリーミングのValidゲーティング
- Abstract要約: 任意の時間価推論は、いつでも実行できる証拠を約束する。
デプロイは、監視するストリームが交換可能に振る舞う場合に限り、それを継承する。
- 参考スコア（独自算出の注目度）: 0.614481021961242
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning systems are increasingly corrected while they run, and the decision of when to intervene is increasingly delegated to statistical monitors. Anytime-valid inference promises evidence that can be acted on at any moment, exactly the guarantee this setting needs, and it is moving from theory into deployed monitoring. Conformal test martingales are the change-detection instrument, and Ville's inequality caps their false-alarm probability on exchangeable data. The guarantee is conditional. A deployment inherits it only if the stream it monitors behaves exchangeably. The premise is hardest to satisfy where these monitors are most useful, on dependent data and inside loops where the monitor modifies the learner whose scores it reads. It is also rarely measured. We measure it in a pre-specified case study, where such a monitor gates the online updates of a Kalman adapter correcting frozen time-series foundation models on five forecasting streams. On exchangeable synthetic streams, the same implementation fires in at most 1 of 60 runs. On the real streams, at alpha = 0.05, 135 of 135 clean-stream runs fired. The construction does not explain the firing; the failure comes from the deployed score stream itself. Repeated fires hold the gate's drift response active, and the gated filter amplifies the very transient it was designed to prevent. The component worth keeping makes no validity claim. Huber-style gating of the filter's own updates cuts isolated-spike degradation by an order of magnitude with no dataset specific tuning. Anytime-valid methods proposed for dependent data should therefore be accompanied by null-calibration controls and mechanism traces.
- Abstract（参考訳）: 機械学習システムは、実行中に徐々に修正され、いつ介入するかという決定は、統計モニタに委譲されるようになっている。
任意の時間価推論は、いつでも実行できる証拠を約束します。この設定が必要なことを正確に保証し、理論からデプロイされた監視へと移行しています。
コンフォーマルテストマーチンガレは変化検出器であり、ヴィルの不等式は交換可能なデータに偽アラーム確率を上限とする。
保証は条件付きです。
デプロイは、監視するストリームが交換可能に振る舞う場合に限り、それを継承する。
この前提は、これらのモニターが最も有用な場所を、依存データや、モニタが読み取った学習者を調節する内部ループで満たすのが最も困難である。
また、測定されることも稀である。
このようなモニタがカルマンアダプタのオンライン更新をゲートし、5つの予測ストリーム上の凍結時系列基礎モデルを補正するケーススタディで測定する。
交換可能な合成ストリームでは、60ランのうち少なくとも1ランで同じ実装が発火する。
実ストリームでは、アルファ = 0.05 で135のクリーンストリームが起動される。
失敗は、配置されたスコアストリーム自体から発生します。
繰り返し発生した火災はゲートのドリフト応答を活発に保ち、ゲートフィルタはそれを防ぐために設計された非常に過渡的な動きを増幅する。
保持する価値のある要素は、妥当性を主張しない。
フィルタ自身の更新のフーバースタイルのゲーティングは、データセット固有のチューニングを伴わずに、分離されたスパイクの分解を桁違いに削減する。
したがって、依存データに対して提案される任意の時間価メソッドには、ヌルキャリブレーション制御とメカニズムトレースが伴わなければならない。
関連論文リスト
- Underwater Dead Reckoning with Deployable Situation-Triggered Covariance Scheduling [3.2548794659022398]
本稿では,BlueROV2用適応ロバスト拡張カルマンフィルタについて述べる。
オンボードの確率的トリガーは、1つのエラー状態フィルタが連続的に実行される間、現在の動き状況を特定する。
トリガーが自信がある場合、フィルタは対応する事前校正プロセスおよび測定ノイズ行列のみに変化する。
論文 参考訳（メタデータ） (2026-07-12T06:27:57Z) - Bistable by Construction: Wall-Clock-Calibrated State Monitors Have No Moment-Detection Regime at Agent Cadence [0.0]
我々は、状態飽和トラップを報告する: 連続的な影響エンジン上のしきい値オンステートトリガーは、SWEベンチエージェントのほぼ一定アラームとなる。
我々は、記録(エラトゥム、v2)を修正し、欠陥を実験として扱う。
壁面校正型漏洩インテグレータモニタは,エージェントストリーム上のモーメント検出器として機能する機構を認めない,と結論付けた。
論文 参考訳（メタデータ） (2026-06-15T21:25:52Z) - Don't Pause! Every prediction matters in a streaming video [55.509551643600794]
一般的なストリーミング知覚とアシスト機能を評価するマルチターンプロアクティブクエリを特徴とするSPOT-Benchを提案する。
SPOT-BenchにはTimeliness-F1が付属している。
i)オフラインモデルは、確実にイベントを検知するが、スパム予測は失敗する; (ii) サイレントをトレーニングした後、スパムを減らし、応答を低下させる; (iii) ストリーミングビデオの半分は応答を期待しない。
論文 参考訳（メタデータ） (2026-04-27T11:07:03Z) - When Your Model Stops Working: Anytime-Valid Calibration Monitoring [0.0]
PITMonitorは、確率積分変換の分布シフトを検出する、任意の値のキャリブレーション固有のモニタである。
リバーのFriedmanDriftベンチマークでは、PITMonitor検出率は最強のベースラインと競合する。
論文 参考訳（メタデータ） (2026-03-13T16:50:14Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - WATCH: Adaptive Monitoring for AI Deployments via Weighted-Conformal Martingales [22.789611187514975]
非パラメトリックシーケンシャルテストのメソッド -- 特にコンフォーマルテストマーチンチャル(CTM)と任意の時間価推論 -- は、この監視タスクに有望なツールを提供する。
既存のアプローチは、限られた仮説クラスやアラーム基準の監視に限られています。」
論文 参考訳（メタデータ） (2025-05-07T17:53:47Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - Sequential Kernelized Independence Testing [77.237958592189]
我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。
シミュレーションデータと実データの両方にアプローチのパワーを実証する。
論文 参考訳（メタデータ） (2022-12-14T18:08:42Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳（メタデータ） (2021-10-12T17:21:41Z) - Detecting Rewards Deterioration in Episodic Reinforcement Learning [63.49923393311052]
多くのRLアプリケーションでは、トレーニングが終了すると、エージェント性能の劣化をできるだけ早く検出することが不可欠である。
我々は,各エピソードにおける報酬が独立でもなく,同一に分散した,マルコフでもない,エピソード的枠組みを考察する。
平均シフトは、時間信号の劣化(報酬など)に対応する方法で定義し、最適な統計的パワーでこの問題の試行を導出する。
論文 参考訳（メタデータ） (2020-10-22T12:45:55Z)
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。