Buchumschlag

Learning under Distributional Drift: Prequential Reproducibility as an Intrinsic Statistical Resource

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Zaichyk, Sofiya
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Semantic Fusion: Verifiable Alignment in Decentralized Multi-Agent Systems
von: Zaichyk, Sofiya
Veröffentlicht: (2026)

Prequential posteriors
von: Sinha-Roy, Shreya, et al.
Veröffentlicht: (2025)

Distributionally Robust Policy Learning under Concept Drifts
von: Wang, Jingyuan, et al.
Veröffentlicht: (2024)

Federated Learning with Profile Mapping under Distribution Shifts and Drifts
von: Li, Mohan, et al.
Veröffentlicht: (2026)

Classifier Clustering and Feature Alignment for Federated Learning under Distributed Concept Drift
von: Chen, Junbao, et al.
Veröffentlicht: (2024)

An Improved Algorithm for Learning Drifting Discrete Distributions
von: Mazzetto, Alessio
Veröffentlicht: (2024)

Distribution-Free Predictive Inference under Unknown Temporal Drift
von: Han, Elise, et al.
Veröffentlicht: (2024)

Distributionally Robust Federated Learning with Client Drift Minimization
von: Krouka, Mounssif, et al.
Veröffentlicht: (2025)

Optimal Resource Allocation for ML Model Training and Deployment under Concept Drift
von: Beytur, Hasan Burhan, et al.
Veröffentlicht: (2025)

Out-of-Distribution Detection and Data Drift Monitoring using Statistical Process Control
von: Zamzmi, Ghada, et al.
Veröffentlicht: (2024)

Online Regularized Statistical Learning in Reproducing Kernel Hilbert Space With Non-Stationary Data
von: Zhang, Xiwei, et al.
Veröffentlicht: (2024)

RCCDA: Adaptive Model Updates in the Presence of Concept Drift under a Constrained Resource Budget
von: Piaseczny, Adam, et al.
Veröffentlicht: (2025)

DriftGuard: Mitigating Asynchronous Data Drift in Federated Learning
von: Han, Yizhou, et al.
Veröffentlicht: (2026)

Statistical Quality and Reproducibility of Pseudorandom Number Generators in Machine Learning technologies
von: Antunes, Benjamin A.
Veröffentlicht: (2025)

Privacy-Preserving Personalized Federated Learning for Distributed Photovoltaic Disaggregation under Statistical Heterogeneity
von: Chen, Xiaolu, et al.
Veröffentlicht: (2025)

One-Step Sampler for Boltzmann Distributions via Drifting
von: Cao, Wenhan, et al.
Veröffentlicht: (2026)

DRMD: Deep Reinforcement Learning for Malware Detection under Concept Drift
von: McFadden, Shae, et al.
Veröffentlicht: (2025)

Online Boosting Adaptive Learning under Concept Drift for Multistream Classification
von: Yu, En, et al.
Veröffentlicht: (2023)

Adjusted Wasserstein Distributionally Robust Estimator in Statistical Learning
von: Xie, Yiling, et al.
Veröffentlicht: (2023)

Statistical Learning Theory for Distributional Classification
von: Fiedler, Christian
Veröffentlicht: (2026)

Intrinsic Benefits of Categorical Distributional Loss: Uncertainty-aware Regularized Exploration in Reinforcement Learning
von: Sun, Ke, et al.
Veröffentlicht: (2021)

Testing properties of trees in graphical models with covariance queries
von: Burova, Sofiya, et al.
Veröffentlicht: (2026)

Generalized Incremental Learning under Concept Drift across Evolving Data Streams
von: Yu, En, et al.
Veröffentlicht: (2025)

An Information-Theoretic Analysis for Federated Learning under Concept Drift
von: Peng, Fu, et al.
Veröffentlicht: (2025)

A Statistical Analysis for Supervised Deep Learning with Exponential Families for Intrinsically Low-dimensional Data
von: Chakraborty, Saptarshi, et al.
Veröffentlicht: (2024)

Drift Q-Learning
von: Houssaini, Anas, et al.
Veröffentlicht: (2026)

A Statistical Analysis of Deep Federated Learning for Intrinsically Low-dimensional Data
von: Chakraborty, Saptarshi, et al.
Veröffentlicht: (2024)

Stress-Aware Learning under KL Drift via Trust-Decayed Mirror Descent
von: Raj, Gabriel Nixon
Veröffentlicht: (2025)

Keep Rehearsing and Refining: Lifelong Learning Vehicle Routing under Continually Drifting Tasks
von: Pei, Jiyuan, et al.
Veröffentlicht: (2026)

Optimized Deep Learning Models for Malware Detection under Concept Drift
von: Maillet, William, et al.
Veröffentlicht: (2023)

Overcoming Domain Drift in Online Continual Learning
von: Lyu, Fan, et al.
Veröffentlicht: (2024)

A Statistical Analysis of Wasserstein Autoencoders for Intrinsically Low-dimensional Data
von: Chakraborty, Saptarshi, et al.
Veröffentlicht: (2024)

Investigating the Suitability of Concept Drift Detection for Detecting Leakages in Water Distribution Networks
von: Vaquet, Valerie, et al.
Veröffentlicht: (2024)

UPRPRC: Unified Pipeline for Reproducing Parallel Resources -- Corpus from the United Nations
von: Lu, Qiuyang, et al.
Veröffentlicht: (2025)

An Adaptive Sampling Framework for Detecting Localized Concept Drift under Label Scarcity
von: Pyeon, Junghee, et al.
Veröffentlicht: (2025)

Learn to Optimize Resource Allocation under QoS Constraint of AR
von: Chen, Shiyong, et al.
Veröffentlicht: (2025)

A Reproducibility Analysis of PO4ISR: Diagnosing and Mitigating Semantic Drift in LLM-Based Session Recommendation
von: Tiwari, Aditya, et al.
Veröffentlicht: (2026)

On the Intrinsic Dimensions of Data in Kernel Learning
von: Takhanov, Rustem
Veröffentlicht: (2026)

Trustworthy Machine Learning under Distribution Shifts
von: Huang, Zhuo
Veröffentlicht: (2025)

Distributional Random Forests for Complex Survey Designs on Reproducing Kernel Hilbert Spaces
von: Zou, Yating, et al.
Veröffentlicht: (2025)