時間的分布シフト下におけるデプロイメント信頼性のモデリングと制御

要旨: 非定常な環境に展開された機械学習モデルは、時間的な分布シフトにさらされ、時間の経過とともに予測の信頼性が損なわれる可能性があります。周期的な再学習や再調整といった一般的な緩和戦略は性能の維持を目指しますが、通常は孤立した時点で評価される平均指標に焦点を当てており、展開期間中に信頼性がどのように変化（進展）するかを明示的にモデル化していません。
本研究では、信頼性を弁別とキャリブレーションから構成される動的な状態として扱う、展開（デプロイメント）中心の枠組みを提案します。この状態が連続する評価ウィンドウをまたいでたどる軌跡は、測定可能なボラティリティ（変動性）の概念を導き、その結果、展開適応は、信頼性の安定性と累積的な介入コストとのバランスを取る多目的制御問題として定式化できます。
この枠組みの中で、状態依存の介入方策の族を定義し、得られるコスト-ボラティリティのパレートフロンティアを実験的に特徴づけます。大規模で時間的にインデックス化されたクレジットリスクのデータセット（135万件のローン、2007-2018）での実験により、継続的なローリング再学習よりも、選択的でドリフトにより引き金が引かれる介入の方が、より滑らかな信頼性の軌跡を実現しつつ、運用コストを大幅に削減できることが示されます。
これらの知見は、時間的シフト下での展開信頼性を制御可能な多目的システムとして位置づけ、高リスクな表形式（タブular）アプリケーションにおける安定性とコストのトレードオフを形作るうえでの方策設計の役割を強調します。