FastODT: 効率的な継続学習のための木構造ベースのフレームワーク

要約：現実世界の設定で展開される機械学習モデルは、進化するデータ分布と制約された計算資源の下で動作する必要があります。この課題は、エネルギー時系列、気象モニタリング、環境センシングなどの非定常ドメインで特に深刻です。有効であり続けるためには、適応性、継続的な学習、長期的な知識保持をサポートする必要があります。本論文は、成長を Hoeffding境界で制御するオブリヴィウス木ベースのモデルを提案します。それは、迅速な学習と推論を、効率的なメモリ管理と頑健な知識保持とシームレスに統合し、オンライン学習を可能にします。エネルギーと環境センシングの時系列ベンチマークにおける広範な実験は、提案されたフレームワークが既存のオンラインおよびバッチ学習法と競争力のある性能を達成し、場合によってはそれを上回ることを示しており、計算効率の優位性を維持しています。総じて、提案手法は適応性、継続的更新、完全なモデル再訓練を伴わない効率的再訓練といった中核的な目的を満たすことを示しています。フレームワークは、資源が制約され、持続的な適応が不可欠な現実世界の非定常環境へのデプロイメントのための、スケーラブルでリソース志向の基盤を提供します。」}# なお、HTMLタグはそのまま保持しています。