論文の概要: AIGS: Adaptive Incremental Gating System for Online Representation Learning in Non-Stationary Data Streams

• arxiv url: http://arxiv.org/abs/2610.02661v1
• Date: Fri, 02 Oct 2026 01:29:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.15644
• Title: AIGS: Adaptive Incremental Gating System for Online Representation Learning in Non-Stationary Data Streams
• Title（参考訳）: AIGS:非定常データストリームにおけるオンライン表現学習のための適応的インクリメンタルゲーティングシステム
• Abstract要約: 本稿では,軽量なクローズドループ状態認識適応フレームワークであるAdaptive Incremental Gating System (AIGS)を提案する。 表現学習を閉ループ制御機構として扱うことで、AIGSは破滅的な忘れを回避し、レイテンシに敏感なエッジデバイスに適した、厳密な線形な$mathcalOleft(kcdot dright)$1ステップの複雑性を維持する。
• 参考スコア（独自算出の注目度）: 1.5391096706404088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time data streams in Web of Things (WoT) and edge computing environments often evolve through latent regime changes. For online representation learning under strict computational constraints, the central problem is resolving the stability-plasticity dilemma: keeping useful historical knowledge while rapidly reacting to concept drift. Existing methods employ fixed update schedules or rolling windows. However, they suffer from parameter ossification during sudden shifts and waste computational resources when the stream remains stable. This paper proposes the Adaptive Incremental Gating System (AIGS), a lightweight closed-loop state-aware adaptation framework. AIGS introduces the Shock Ratio, an endogenous residual feedback mechanism that normalizes current reconstruction error against recent variation. This signal drives a Continuous Plasticity Controller that smoothly interpolates between learning plasticity and memory retention. By treating representation learning as a closed-loop control mechanism, AIGS avoids catastrophic forgetting and maintains a strictly linear $\mathcal{O}\left(k\cdot d\right)$ per-step complexity suitable for latency-sensitive edge devices. Experiments on real-world smart city dynamic streams-spanning traffic networks, meteorological systems, and industrial infrastructure-demonstrate distinct domain-dependent advantages. On Electricity Transformer Temperature datasets, AIGS achieves preventative early-warning lead times of 8.31 (ETTm1) and 9.88 (ETTm2) steps under gradual degradation. On Performance Measurement System traffic datasets, it shows significantly faster post-shift recovery after abrupt mutations. On the highly noisy Weather dataset, it improves anomaly recall while resisting stochastic noise overfitting. These findings establish AIGS as a practical, plug-and-play adapter for resource-constrained edge monitoring systems.
• Abstract（参考訳）: Web of Things(WoT)とエッジコンピューティング環境におけるリアルタイムデータストリームは、しばしば遅延状態の変化によって進化する。 厳密な計算制約下でのオンライン表現学習において、中心的な問題は安定性と塑性のジレンマを解消することである。 既存の方法は、固定された更新スケジュールまたはローリングウィンドウを使用する。 しかし, 急激なシフトの際のパラメータオシフィケーションや, 流れが安定している場合の計算資源の浪費に悩まされる。 本稿では,軽量なクローズドループ状態認識適応フレームワークであるAdaptive Incremental Gating System (AIGS)を提案する。 AIGSはShock Ratioを導入した。これは内因性残留フィードバック機構で、最近の変動に対して現在の再構築エラーを正規化する。 この信号は連続可塑性制御器を駆動し、学習可塑性と記憶保持をスムーズに補間する。 表現学習を閉ループ制御機構として扱うことで、AIGSは破滅的な忘れを回避し、レイテンシに敏感なエッジデバイスに適した、厳密な線形な$\mathcal{O}\left(k\cdot d\right)$1ステップの複雑性を維持する。 実世界のスマートシティのダイナミックストリームスパンニングトラフィックネットワーク、気象システム、産業インフラに関する実験は、異なるドメイン依存の利点を実証している。 電気変圧器温度データセットでは、AIGSは段階的に劣化した8.31(ETTm1)と9.88(ETTm2)の早期警戒リードタイムを達成している。 Performance Measurement Systemのトラヒックデータセットでは、急激な突然変異後のポストシフトリカバリが著しく高速である。 ノイズの多い天気データセットでは、確率的騒音過度に抵抗しながら異常リコールを改善する。 これらの結果から,AIGSは資源制約付きエッジモニタリングシステムのための,実用的なプラグアンドプレイアダプタとして確立された。

関連論文リスト

• Drift and Dependence: Layer-wise Information-Theoretic Bounds for Replay-Based Continual Learning [41.371439825328544]
  継続的な学習は、古いタスクを消去することなく新しいタスクを吸収し、リプレイ — 過去の例の小さなバッファを現在のトレーニングに混ぜる — 破滅的な忘れ方に対する最も効果的な治療法のひとつです。 我々は、各深さでこれらの効果を分離するレイヤワイド情報理論フレームワークを開発する。 制御およびベンチマーク実験により、予測されたメモリスケーリング、内部ファンネル、およびアライメント信号の忘れへのリンクを確認する。
  論文  参考訳（メタデータ） (2026-08-12T06:01:49Z)
• Stabilizing Streaming Video Geometry via Dynamic Feature Normalization [45.91399406203578]
  Dynamic Feature Normalization (DyFN) は、時間とともに安定な幾何を維持するために特徴統計を変調する因果リカレントモジュールである。 DyFNは最先端の時間安定性を実現し、従来のストリーミング手法よりも最大14%改善し、さらにはより重い非因果的ビデオベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-25T00:13:15Z)
• 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)
• When Sensors Fail: Temporal Sequence Models for Robust PPO under Sensor Drift [64.37959940809633]
  時間的持続的なセンサ故障下でのPPOのロバスト性について検討する。 トランスフォーマーを用いたシーケンスポリシーは, センサ数が少ない場合でも高いリターンを保ちながら, 堅牢性, RNN, SSMよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-03-04T22:21:54Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• 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)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• STDiff: A State Transition Diffusion Framework for Time Series Imputation in Industrial Systems [2.3895981099137535]
  そこで本研究では,ある状態から次の状態へシステムがどのように進化するかを学ぶために,命令を書き換えるSTDiffを提案する。 STDiffは低いエラーを継続的に達成し、その利点は長いギャップで増大する。 これらの結果は、産業時系列の堅牢なアプローチとして、動的に認識され、明示的な条件付き計算をサポートする。
  論文  参考訳（メタデータ） (2025-08-26T13:14:53Z)
• AdaShadow: Responsive Test-time Model Adaptation in Non-stationary Mobile Environments [24.606016498430407]
  本稿では,非定常移動データ配信と資源動態のための応答性テスト時間適応フレームワークであるAdaShadowを提案する。 AdaShadowは、レイヤの重要度とレイテンシを推定する上での課題と、最適なレイヤ更新計画のスケジューリングに対処する。 その結果,AdaShadowは連続的なシフトの下で最高の精度-遅延バランスを達成することがわかった。
  論文  参考訳（メタデータ） (2024-10-10T16:41:39Z)
• Low-Rank Autoregressive Tensor Completion for Spatiotemporal Traffic Data Imputation [4.9831085918734805]
  データ計算の欠如は長年の研究課題であり、現実世界のインテリジェント交通システムにとって重要な応用である。 テキストの時間変化を新たな正規化項として導入し,低ランク自動回帰テンソル補完(LATC)フレームワークを提案する。 本研究では,複数の実世界の交通データ集合について広範な数値実験を行い,LATCの有効性を実証した。
  論文  参考訳（メタデータ） (2021-04-30T12:00:57Z)
• 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。