論文の概要: Recall or Relearn? A Mixture of In-Context Experts for Recurring Concept Drift

• arxiv url: http://arxiv.org/abs/2610.36585v1
• Date: Tue, 27 Oct 2026 03:42:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.47779
• Title: Recall or Relearn? A Mixture of In-Context Experts for Recurring Concept Drift
• Title（参考訳）: リコールか再学習か? 再帰的概念ドリフトのための文脈エキスパートの混在
• Abstract要約: MICE(Mixture of In-Context Experts)は、検出された変更時にストリームをセグメントに分割するトレーニング不要の学習ツールである。 閉じたセグメントを格納されたコンテキストにマージし、そのセグメントに推定される追加エラーが許容範囲内にある。 実ストリームでは、MICEは私たちが比較したすべてのポリシーの平均的正確性が最も高い。
• 参考スコア（独自算出の注目度）: 9.815008184382368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tabular foundation models (TFMs) are being applied to Web data streams such as network intrusion detection, where they adapt by updating the labelled rows of their context without retraining. When a past concept returns after leaving the context, a TFM faces a recall-or-relearn decision between restoring stored rows of the concept and relearning it from new labels. We propose MICE (Mixture of In-Context Experts), a training-free learner that cuts the stream into segments at detected changes. It merges a closed segment into a stored context when the TFM's estimated additional error on the segment is within a tolerance, under a capacity limit on stored contexts. A fast level weights the stored contexts and first-in-first-out (FIFO) windows by the log-loss of their predictions on the last labelled batch. We show that, with pure stored contexts and a margin condition, this fast level gains over relearning, in expected accuracy, the normalised positive area between the stored context's accuracy and the TFM's learning curve, up to a first-batch term. A slow level mixes the fast level's prediction with that of the FIFO window of the last labelled rows and bounds the discounted half-Brier regret of MICE against this window at every time. Learning curves measured beforehand predict the ordering of the observed recall gains. MICE outperforms reset, which empties the context at detected drifts, on grid streams with random boundary phases. Merging keeps fewer experts than pools that store every segment, and with fixed segmentation a time-matched snapshot pool matches MICE on the shifted grid. On real streams, MICE has the highest mean accuracy of all policies we compare.
• Abstract（参考訳）: タブラル基礎モデル(TFM)は、ネットワーク侵入検出などのWebデータストリームに適用され、ラベル付き行をリトレーニングせずに更新することで適応する。 過去のコンセプトがコンテキストを離れた後に戻ってくると、TFMはコンセプトの保存された行を復元し、新しいラベルから再学習する、リコールまたは再学習的な決定に直面します。 MICE(Mixture of In-Context Experts)は,検出された変化時にストリームをセグメントに分割する学習者である。 閉じたセグメントを格納されたコンテキストにマージする: TFMの予測されたセグメントに対する追加エラーは、格納されたコンテキストのキャパシティ制限の下で、許容範囲内にある。 ファーストレベルは、前回のラベル付きバッチでの予測のログロスによって、格納されたコンテキストとファースト・イン・ファースト・アウト(FIFO)ウィンドウを重み付けする。 本研究は, 純粋に記憶されたコンテキストとマージン条件により, この高速レベルは, 予測精度において, 記憶されたコンテキストの精度とFMの学習曲線との間の正の正規化領域を, 第一バッチ項まで増加させることを示す。 遅いレベルは、ファストレベルの予測とラストラベル付き行のFIFOウィンドウの予測とを混合し、毎回このウィンドウに対してMICEの半ブリエの後悔を和らげる。 事前に測定した学習曲線は、観測されたリコールゲインの順序を予測する。 MICEは、ランダムな境界位相を持つグリッドストリーム上で、検出されたドリフトでコンテキストを空にするリセットよりも優れている。 マージは各セグメントを格納するプールよりも専門家が少なく、固定セグメンテーションでは、タイムマッチングされたスナップショットプールがシフトグリッド上のMICEにマッチする。 実ストリームでは、MICEは私たちが比較したすべてのポリシーの平均的正確性が最も高い。

関連論文リスト

• Retrieval Is Not Enough: Refreshing Memory for Frozen Time-Series Forecasters [10.816454699030784]
  予測器の凍結を保ち、非パラメトリックメモリを継続的に更新し、検証セグメント上の閉じた形で重みを校正するフレームワークであるFreshCastを提案する。 評価された予測値と入力長毎の平均MSEを,96,720の入力長で14.6%,5.6%削減し,評価された検索およびオンラインベースラインよりも低いMSEを実現することを示す。
  論文  参考訳（メタデータ） (2026-10-06T06:33:16Z)
• Rethinking Tabular Foundation Models On Data Streams [12.426277465279584]
  タブラル基礎モデル(TFM)は、コンテキスト内学習を通じて確立された機械学習モデルより優れている。 本稿では,データストリーム上でのTFMの体系的研究,メモリ管理,計算コスト,コンセプトドリフトや遅延ラベルといったストリーム固有の課題について述べる。 TFMは最も高い予測性能を達成でき、最新の例を単に保持するだけで、既存のメモリ管理技術と同じくらい効果的であることがわかった。
  論文  参考訳（メタデータ） (2026-10-04T16:20:43Z)
• Event-Driven Refresh and Recurrence Memory to Reduce Stale Grounding in Referring Video Object Segmentation [24.75742690596826]
  Event Refresh + Recurrence Memory (EDRRM) は、安定した変更点のみにSa2VAを選択的に再起動する拡張である。 EDRRMは、固定ウィンドウとFrame-SSIMベースラインと比較して、競合する精度と効率のトレードオフを実現する。
  論文  参考訳（メタデータ） (2026-09-30T01:44:08Z)
• ReflexTrack: A Feedback-Driven Agent for Training-Free Referring Video Object Segmentation [63.38679125666075]
  オブジェクトセグメンテーション(RVOS)を参照するには、ビデオを通して自然言語で指定されたターゲットをセグメンテーションする必要がある。 近年のエージェントアプローチでは,タスク固有のトレーニングなしでRVOSを実行するために,マルチモーダルな大規模言語モデルと迅速なセグメンテーションモデルを組み合わせている。 トレーニング不要でフィードバック駆動型エージェントであるReflexTrackを導入し、空間的および時間的両方のレベルでループを閉じる。
  論文  参考訳（メタデータ） (2026-07-27T07:39:20Z)
• Where Do Flow Semantics Reside? A Protocol-Native Tabular Pretraining Paradigm for Encrypted Traffic Classification [5.044786941116112]
  自己監督型マスクドモデリングは、生のバイトをマスキングして再構築することで、暗号化されたトラフィック分類を約束する。 最近の研究によると、これらの手法はコストのかかる事前訓練にもかかわらずラベル付きデータへの依存を減らすことができない。 トラフィックをシーケンスバイトにフラットにすることで、プロトコル定義のセマンティクスを破壊します。
  論文  参考訳（メタデータ） (2026-03-09T15:15:23Z)
• E.M.Ground: A Temporal Grounding Vid-LLM with Holistic Event Perception and Matching [87.38371267983263]
  時間的ビデオグラウンディングは、クエリイベントに対応する時間セグメントを正確にローカライズすることを目的としている。 E.M.GroundはTVGのための新しいVid-LLMで、総合的で一貫性のあるイベント知覚に焦点を当てている。 E.M.Ground は最先端の Vid-LLM を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-05T02:16:00Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• Regressor-Segmenter Mutual Prompt Learning for Crowd Counting [70.49246560246736]
  本稿では,アノテーションの差によるバイアスや不正確性を解決するために,相互学習(mPrompt)を提案する。 実験により、mPromptは平均誤差(MAE)を著しく減少させることが示された。
  論文  参考訳（メタデータ） (2023-12-04T07:53:59Z)

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。