論文の概要: Concept Drift from a Causal Perspective

• arxiv url: http://arxiv.org/abs/2609.25340v1
• Date: Mon, 21 Sep 2026 19:30:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.092062
• Title: Concept Drift from a Causal Perspective
• Title（参考訳）: 因果的視点からのコンセプトドリフト
• Abstract要約: コンセプトドリフトは、実世界のデータストリームでよく見られる現象である。 ほとんどの既存の定義では、ドリフトは共同分布の$P(mathbfx, y)$の変化として特徴づけられる。 本稿では,構造因果モデルに基づく概念漂流の因果的視点を紹介する。
• 参考スコア（独自算出の注目度）: 8.847214834412396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concept drift is a common phenomenon in real-world data streams, in which changes in the data-generating distribution can degrade predictive model performance. Most existing definitions characterize drift as changes in the joint distribution $P(\mathbf{x}, y)$, without distinguishing which component of the data-generating process has changed. In this work, we introduce a causal perspective on concept drift based on Structural Causal Models (SCMs). We propose a taxonomy that categorizes drift events by their causal origin, including changes in exogenous variables, endogenous mechanisms, confounders, and target-generating processes. Building on this framework, we develop an SCM-based data stream generator that simulates controlled mechanism-level drift events. Our experiments empirically characterize the distributional effects of each drift type and show that drifts with different causal origins induce distinct patterns of distribution shift and predictive behavior. Furthermore, by integrating causal discovery methods, we use our framework to construct data streams grounded in real-world dependency structures, enabling more realistic and informative evaluation scenarios. We also demonstrate that leveraging the generated data can improve downstream performance. These results highlight the importance of accounting for causal structure when studying and evaluating adaptive learning methods, and establish a foundation for causally-aware evaluation in non-stationary environments.
• Abstract（参考訳）: 概念ドリフトは実世界のデータストリームにおいて一般的な現象であり、データ生成分布の変化は予測モデルの性能を低下させる。 既存の定義では、ドリフトはデータ生成プロセスのどのコンポーネントが変化したかを区別することなく、$P(\mathbf{x}, y)$の変化として特徴づけられる。 本稿では,構造因果モデル(SCM)に基づく概念漂流の因果的視点を紹介する。 本研究では,外因性変数の変化,内因性メカニズム,共同設立者,ターゲット生成過程など,ドリフトイベントを因果的に分類する分類法を提案する。 このフレームワークに基づいて,制御機構レベルのドリフトイベントをシミュレートするSCMベースのデータストリームジェネレータを開発した。 本実験は,各ドリフトの分布特性を実験的に評価し,異なる因果起源のドリフトが分布変化と予測行動の異なるパターンを誘導することを示す。 さらに,因果探索手法を統合することで,実世界の依存関係構造を基盤としたデータストリームの構築を実現し,より現実的で情報的な評価シナリオを実現する。 また、生成されたデータを活用することで、下流のパフォーマンスが向上することを示した。 これらの結果は,適応学習手法の学習・評価における因果的構造の説明の重要性を強調し,非定常環境における因果的評価の基礎を確立した。

関連論文リスト

• Causal Parametric Drift Simulation: A Digital Twin Framework for Classifier Robustness Evaluation [0.0]
  動的環境における機械学習の分類器は、コンセプトドリフトに直面している。 構造因果モデルを用いて既存のドリフト検出を補完するフレームワークをDigital Twinsとして提案する。 我々の手法であるCausal Parametric Drift Simulation, stress-tests classifications to identify vulnerabilities before deployment。
  論文  参考訳（メタデータ） (2026-05-10T17:28:49Z)
• CaDrift: A Time-dependent Causal Generator of Drifting Data Streams [8.847214834412396]
  Causal Drift Generator (CaDrift)は、構造因果モデルに基づく時間依存型合成データ生成フレームワークである。 CaDriftは、制御されたシフトイベントと時間依存データと、データストリームの事実上無限の組み合わせを生成する。
  論文  参考訳（メタデータ） (2026-02-23T20:25:43Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• datadriftR: An R Package for Concept Drift Detection in Predictive Models [0.0]
  本稿では,コンセプトドリフトを検出するためのRパッケージであるドリフト器を紹介する。 ドリフト検出とドリフトの背後にある原因の理解を深めることのできるプロファイルドリフト検出(PDD)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-15T20:59:49Z)
• Unsupervised Assessment of Landscape Shifts Based on Persistent Entropy and Topological Preservation [0.0]
  入力データのドリフトは、学習予測器とシステムの安定性に負の結果をもたらす可能性がある。 本稿では,多次元データストリームの変化をモニタリングする新しいフレームワークを提案する。 このフレームワークは、教師なし環境と教師なし環境の両方で動作する。
  論文  参考訳（メタデータ） (2024-10-05T14:57:52Z)
• Do Finetti: On Causal Effects for Exchangeable Data [45.96632286841583]
  データをi.i.d.に含まない環境での因果効果の推定について検討する。 我々は、独立因果関係の仮定を満たす交換可能なデータに焦点を当てる。
  論文  参考訳（メタデータ） (2024-05-29T07:31:18Z)
• Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
  局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。 ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。 局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
  論文  参考訳（メタデータ） (2022-09-06T18:38:34Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)

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。