論文の概要: SCCM : Stream Cruise Control Method for Automated Drift Detection and Adaptation

• arxiv url: http://arxiv.org/abs/2609.09432v1
• Date: Tue, 08 Sep 2026 20:33:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.81367
• Title: SCCM : Stream Cruise Control Method for Automated Drift Detection and Adaptation
• Title（参考訳）: SCCM : 自動ドリフト検出と適応のためのストリームクルーズ制御法
• Abstract要約: Stream Cruise Control Methodは、オンライン回帰におけるドリフトの検出と適応のための包括的なフレームワークである。 ダイナミックなしきい値設定とデータ分散に非依存な残量を使用することで、SCCMはさまざまなデータストリームをまたいだ監視をサポートする。 その結果、評価オンライン回帰設定における予測性能と効果的なドリフトハンドリングが改善された。
• 参考スコア（独自算出の注目度）: 7.146027549101716
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Real-world datasets often exhibit evolving distributions, known as concept drift. Ignoring drift degrades predictive performance, while reliance on fixed hyperparameters further limits model adaptability under changing conditions. Adaptive learning addresses this challenge by continuously updating models online, allowing them to incrementally adjust and remain effective as data distributions evolve. This paper presents the Stream Cruise Control Method (SCCM), a comprehensive framework for drift detection and adaptation in online regression. SCCM enables automated adaptation through early-response, pre-update drift detection, drift magnitude quantification, KPI-window-based thresholding for local false-alarm mitigation, dynamic hyperparameter tuning, and model recalibration. SCCM also adopts an in-memory design for real-time adaptability, unlike purely reactive methods that typically activate adaptation only after performance degradation is observed. By using dynamic thresholding and remaining agnostic to data distributions, SCCM supports KPI-based monitoring across varying data streams, including high-dimensional and large-scale settings. SCCM is integrated with four online regression models and evaluated on 18 synthetic datasets covering abrupt, incremental, and alternating gradual drift, together with eight real-world datasets. The evaluation uses both R2 and MSE and compares against eight detector--adaptation baselines. Results show improved predictive performance and effective drift handling across the evaluated online regression settings.
• Abstract（参考訳）: 現実世界のデータセットは、しばしばコンセプトドリフトとして知られる進化する分布を示す。 ドリフトの無視は予測性能を低下させるが、固定されたハイパーパラメータに依存すると、変化条件下でのモデルの適応性はさらに制限される。 Adaptive Learningはこの課題に対処するため、モデルをオンラインで継続的に更新し、データの分散が進化するにつれて、段階的に調整し、効果的に維持することができる。 本稿では,オンライン回帰におけるドリフト検出と適応のための総合的なフレームワークであるストリームクルーズ制御手法(SCCM)を提案する。 SCCMは、早期応答、事前のドリフト検出、ドリフトの定量化、局所的な偽警報緩和のためのKPIウィンドウベースのしきい値設定、動的ハイパーパラメータチューニング、モデル修正による自動適応を可能にする。 SCCMは、パフォーマンス劣化が観測された後にのみ適応を活性化する純粋にリアクティブな方法とは異なり、リアルタイム適応性のためのインメモリ設計も採用している。 ダイナミックなしきい値設定と、データ分散に非依存な残量を使用することで、SCCMは、高次元および大規模設定を含む、さまざまなデータストリームにわたるKPIベースの監視をサポートする。 SCCMは4つのオンライン回帰モデルに統合され、18の合成データセットで評価され、8つの実世界のデータセットとともに、突然、インクリメンタル、そして交互に進行する段階的ドリフトをカバーする。 評価はR2とMSEの両方を使用し、8つの検出器適応ベースラインと比較する。 その結果、評価オンライン回帰設定における予測性能と効果的なドリフトハンドリングが改善された。

関連論文リスト

• Boosting Neural Video Codec via Scale-Driven Online Flow Refinement [59.68390983151205]
  本稿では,訓練不要なスケール駆動型オンラインフローリファインメント(SOFR)手法を提案する。 ワープ精度に応じて粗さや微細なスケールからの動作情報を融合し、動作推定誤差を効果的に補正する。 PSNRとMS-SSIMでそれぞれ平均2.84%と4.05%の貯蓄がある。
  論文  参考訳（メタデータ） (2026-06-22T08:36:23Z)
• Perceive, Route and Modulate: Dynamic Pattern Recalibration for Time Series Forecasting [68.53528085362642]
  現在の深い予測モデルは、すべての時間トークンに一様に適用される固定重み行列に依存している。 トークンレベルの再校正によってこれを解決するバックボーンに依存しないメカニズムであるDynamic Pattern Recalibrationを導入する。 DPRNetは12ベンチマークで競合性能を達成し、マクロパラメータスケーリングに対する動的リカバリを検証する。
  論文  参考訳（メタデータ） (2026-05-07T14:12:47Z)
• FIRCE: A Framework for Intrusion Response and Conformal Evaluation [3.3271517946886924]
  FIRCEは侵入応答とコンフォーマル評価のためのフレームワークである。 同型評価に基づく不確実性定量化とドリフト検出をサポートする。 我々は、FIRCEが分散シフトを検出し、モデル再トレーニングをトリガーする能力を実証する。
  論文  参考訳（メタデータ） (2026-05-03T16:48:03Z)
• OLC-WA: Drift Aware Tuning-Free Online Classification with Weighted Average [18.902790013938006]
  本稿では,重み付き平均オンライン分類(OLC-WA)を提案する。 OLC-WAは、入力データストリームを既存のベースモデルとブレンドすることで動作する。 統合最適化機構は、コンセプトドリフトを動的に検出し、その大きさを定量化し、モデルを調整する。
  論文  参考訳（メタデータ） (2025-12-14T17:52:39Z)
• OLR-WAA: Adaptive and Drift-Resilient Online Regression with Dynamic Weighted Averaging [7.146027549101716]
  「OLR-WAA:動的重み付き平均値をもつ適応的で弾力性のあるオンライン回帰」 本稿では, 動的重み付き平均値をもつ適応的かつ弾力性のあるオンライン回帰システムOLR-WAAを紹介する。
  論文  参考訳（メタデータ） (2025-12-14T17:39:51Z)
• Improving Real-Time Concept Drift Detection using a Hybrid Transformer-Autoencoder Framework [0.0]
  応用機械学習では、概念ドリフトはモデルの性能を著しく低下させる。 本研究では,複雑な時間力学をモデル化するためのトランスフォーマーとオートエンコーダを組み合わせたハイブリッドフレームワークを提案する。 以上の結果から,トランスフォーメーション・オートエンコーダは,文献で一般的に用いられるオートエンコーダよりも早く,より感度の高いドリフトを検出した。
  論文  参考訳（メタデータ） (2025-08-09T19:39:33Z)
• Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
  この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。 資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。 これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2024-04-08T20:02:19Z)
• AR-TTA: A Simple Method for Real-World Continual Test-Time Adaptation [1.4530711901349282]
  本稿では,自律運転のためのデータセット,すなわちCLAD-CとShiFTを用いたテスト時間適応手法の検証を提案する。 現在のテスト時間適応手法は、ドメインシフトの様々な程度を効果的に扱うのに苦労している。 モデル安定性を高めるために、小さなメモリバッファを組み込むことで、確立された自己学習フレームワークを強化する。
  論文  参考訳（メタデータ） (2023-09-18T19:34:23Z)
• 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)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)
• Logarithmic Regret Bound in Partially Observable Linear Dynamical Systems [91.43582419264763]
  部分的に観測可能な線形力学系におけるシステム同定と適応制御の問題について検討する。 開ループ系と閉ループ系の両方において有限時間保証付きの最初のモデル推定法を提案する。 AdaptOnは、未知の部分観測可能な線形力学系の適応制御において、$textpolylogleft(Tright)$ regretを達成する最初のアルゴリズムであることを示す。
  論文  参考訳（メタデータ） (2020-03-25T06:00:33Z)

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。