非定常な多変量時系列に対するドリフト認識型オンライン動的学習：焼結品質予測への応用
arXiv cs.LG / 2026/4/13
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、非定常な多変量時系列に対するオフライン学習済みモデルの性能低下に取り組み、鉄鉱石の焼結のような産業環境における概念ドリフトやラベル検証の遅延に起因する問題を取り上げている。
- 提案手法は、局所的な変動と長期的なトレンドの両方を捉えるためにマルチスケールのバイブランチ畳み込みネットワークを用いた、ドリフト認識型マルチスケール動的学習（DA-MSDL）フレームワークである。これにより、より良い多出力予測を実現する。
- ラベル遅延への対処として、DA-MSDLは教師なしでMaximum Mean Discrepancy（MMD）に基づくドリフト検出を行い、新たな教師信号に依存する前にオンライン適応を開始する。
- ドリフトの重症度に導かれた階層的ファインチューニングと、優先度付き経験再生を導入し、変化するデータ分布への素早い整合を図りつつ、壊滅的忘却を抑える。
- 実在の産業用焼結データおよび公開ベンチマークでの実験により、DA-MSDLは深刻なドリフト下でもベースラインを上回り、安定性とドメイン間汎化の面でより強い性能を維持することが示されている。
