論文の概要: The Blind Spot Paradox: When Adaptive Classifiers Defeat Drift Detectors

• arxiv url: http://arxiv.org/abs/2610.05853v1
• Date: Mon, 05 Oct 2026 06:14:17 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:42:24.141878
• Title: The Blind Spot Paradox: When Adaptive Classifiers Defeat Drift Detectors
• Title（参考訳）: ブラインドスポットパラドックス:適応型分類器がドリフト検出器を除いたとき
• Abstract要約: アダプティブ・ランダム・フォレスト (ARF) を計測すると、生き残った木々は、葉の更新だけで、乾燥後のエラーの98.6%を吸収している。 累積的な証拠がしきい値を超えず、臨界等級階を測る有限水平境界を導出する。 この失敗は、定常ストリームのずれや、ノイズの多いベースライン上の内部ツリースワップによって引き起こされる偽アラームの洪水によって現れる。
• 参考スコア（独自算出の注目度）: 5.512295869673147
• License:
• Abstract: Monitoring concept drift from an adaptive classifier's error stream creates an operational conflict with the model's own update loop. When internal adaptation outpaces evidence accumulation, accuracy recovers before cumulative detectors (CUSUM, Page-Hinkley) can reach threshold. Instrumenting an Adaptive Random Forest (ARF) shows that surviving trees absorb 98.6% of the post-drift error transient through incremental leaf updates alone. The first background tree swap accounts for just 0.71% of this erased error volume, but drops external detection rates by 31 percentage points. We derive the finite-horizon boundary where cumulative evidence fails to cross threshold and measure a critical magnitude floor ($Δe_c = 0.120$) below which false-alarm budgets preclude detection. This failure manifests as missed shifts on stationary streams and false-alarm flooding triggered by internal tree swaps on noisy baselines. We validate on synthetic shifts, ARMA-GARCH series (ProteuS), and tabular benchmarks (BAF, INSECTS); on the synthetic sweep at a standard threshold, the blind spot appears at $Δe \approx 0.25$, showing why classical benchmarks like SEA ($Δe \le 0.21$) failed to reach it.
• Abstract（参考訳）: 適応型分類器のエラーストリームからのモニタリングの概念のドリフトは、モデル自身の更新ループと運用上の衝突を引き起こす。 内部適応が証拠蓄積を上回ると、累積検出器(CUSUM、Page-Hinkley)が閾値に達する前に精度が回復する。 アダプティブ・ランダム・フォレスト (ARF) を計測すると、生き残った木々は、葉の更新だけで、乾燥後のエラーの98.6%を吸収している。 最初のバックグラウンドツリースワップはこの消去されたエラーボリュームのわずか0.71%を占めるが、外部検出率を31パーセント下げる。 累積的証拠がしきい値を超えない有限水平境界(Δe_c = 0.120$)を導出する。 この失敗は、定常ストリームのずれや、ノイズの多いベースライン上の内部ツリースワップによって引き起こされる偽アラームの洪水によって現れる。 我々は、合成シフト、ARMA-GARCHシリーズ(ProteuS)、表型ベンチマーク(BAF, INSECTS)、標準しきい値での合成スイープにおいて、盲点が$Δe \approx 0.25$に現れ、SEA(Δe \le 0.21$)のような古典的ベンチマークが到達できなかった理由を示す。

関連論文リスト

• From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
  視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。 本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。 提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
  論文  参考訳（メタデータ） (2026-09-29T17:49:07Z)
• Learning to Fluctuate: Statistical Foundations for Causal Tabular Pretraining [8.401473551081748]
  本研究では,固定配置人口に必要となる繰り返しサンプル応答を符号化した揺らぎ制御事前訓練(FSP)を導入する。 FSPは、温かいワンスレッドベンチマークでテーブル毎の11.6Times$高速にデプロイします。 2つのランダム化されたスタディ評価は、低いRMSEが残留減衰と共存できることを示している。
  論文  参考訳（メタデータ） (2026-09-22T12:03:30Z)
• Located but Not Releasable: Silent Gate Inversion and Bounded Linear Release [0.0]
  完全なパイプライン -- 検出、ローカライズ、リリース -- を、25.7Mトランス上で完全に事前登録されたストレステストに送信します。 中層層の観測エビデンスチャネルでの干渉は、他の抑圧された世界における標的の挙動を復元する。 配当外のキャリブレーションをゼロにするために調整された検出器は、6.9-7.3%の配当前の世代と、実際にそれを必要とする2,400世代のうちゼロにトリガーをトリガーする。
  論文  参考訳（メタデータ） (2026-08-12T09:04:54Z)
• Keep the Needle, Prune the Haystack: Defect-Preserving Token Pruning for Efficient Zero-Shot Anomaly Detection [23.595452794635847]
  トケンプルーニングは有望な解決策を提供するが、異常検出において非対称プルーニングリスクを導入する。 本稿では,トークン選択をハイリコール・異常対応ルーティングとして定式化する欠陥保存型トークンプルーニングフレームワークであるKeepADを提案する。 実験によると、KeepADはトークン保持率を20%以下に下げ、画像レベルとピクセルレベルのAUROCの平均劣化を2.7ドルの範囲に制限している。
  論文  参考訳（メタデータ） (2026-08-04T13:53:36Z)
• Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer [36.02174685737611]
  各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。 本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
  論文  参考訳（メタデータ） (2026-07-29T08:00:49Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• TARG: Training-Free Adaptive Retrieval Gating for Efficient RAG [46.122203287541005]
  トレーニングフリーのAdaptive Retrieval Gating (TARG) は、ベースモデルからの短い非遅延ドラフトのみを使用していつ取得するかを決定する、単発のポリシーである。 NQ-Open、TriviaQA、PopQAでは、TARGは一貫して精度と効率のフロンティアをシフトさせる。
  論文  参考訳（メタデータ） (2025-11-12T23:09:52Z)
• Mean-Shifted Contrastive Loss for Anomaly Detection [34.97652735163338]
  そこで本研究では,集中損失法とコントラスト損失法の両方の障害モードを克服できる新たな損失関数を提案する。 私たちの改善は、$textitMean-Shifted Contrastive Loss$に基づいて、新しい異常検出アプローチをもたらします。 提案手法は,ROC-AUC$9.5%を含む複数のベンチマークにおいて,最先端の異常検出性能を実現する。
  論文  参考訳（メタデータ） (2021-06-07T17:58:03Z)

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。