Research indexJournal article
ПОДІЄВА БЮДЖЕТОВАНА МІКРОАДАПТАЦІЯ ДЛЯ ПОТОКОВОГО АНАЛІЗУ ДАНИХ МУЛЬТИМОДАЛЬНИХ ЧАСОВИХ РЯДІВ ЗА ДРЕЙФУ РЕЛЕВАНТНОСТІ МОДАЛЬНОСТЕЙ
Uzun
Наука і техніка сьогодні30 Apr 2026Open access
NobleIDark:/48914/w1/20261105/51276170DOI10.52058/2786-6025-2026-3(57)-2924-2938
ПОДІЄВА БЮДЖЕТОВАНА МІКРОАДАПТАЦІЯ ДЛЯ ПОТОКОВОГО АНАЛІЗУ ДАНИХ МУЛЬТИМОДАЛЬНИХ ЧАСОВИХ РЯДІВ ЗА ДРЕЙФУ РЕЛЕВАНТНОСТІ МОДАЛЬНОСТЕЙ
Uzun · Наука і техніка сьогодні · 2026
NobleIDark:/48914/w1/20261105/51276170DOI10.52058/2786-6025-2026-3(57)-2924-2938
Abstract
ПОДІЄВА БЮДЖЕТОВАНА МІКРОАДАПТАЦІЯ ДЛЯ ПОТОКОВОГО АНАЛІЗУ ДАНИХ МУЛЬТИМОДАЛЬНИХ ЧАСОВИХ РЯДІВ ЗА ДРЕЙФУ РЕЛЕВАНТНОСТІ МОДАЛЬНОСТЕЙ Анотація.Потокове прогнозування мультимодальних часових рядів у системах підтримки прийняття рішень виконується каузально та за обмежень латентності, проте в практичних потоках неминучі нестаціонарні зміни, зокрема концептуальний дрейф.Окремо важливим є клас дрейфів, за яких не змінюються розподіли модальних ознак, але змінюється відносна релевантність модальностей для цільової змінної (наприклад, один сенсор стає менш інформативним, а іншийбільш інформативним).У таких режимах повне перенавчання моделі після кожного дрейфу є надмірно дорогим, тоді як відсутність адаптації призводить до тривалого погіршення якості у постдрейфових сегментах.У статті розглянуто метод дрейф-ініційованої бюджетованої мікроадаптації, який (i) виявляє дрейф за онлайн-оцінкою оптимальної ваги злиття модальностей на ковзному вікні та (ii) запускає коротке бюджетоване оновлення лише малої «голови» моделі 𝑦 ̂𝑡 = 𝑎𝑦 ̂𝑡(1) + 𝑏𝑦 ̂𝑡(2) + 𝑐 (3 параметри), що забезпечує швидке відновлення за контрольованої вартості оновлень.Експериментальна валідація виконана на контрольованих синтетичних потоках із наперед заданими подіями дрейфу (перемикання коефіцієнта внеску модальностей у ціль) з використанням 10 фіксованих сідів та bootstrap 95% довірчих інтервалів (5000 повторів).Запропонований метод зменшує постдрейфову похибку прогнозування з MAE = 0.70 ± 0.01 (без адаптації) до MAE = 0.66 ± 0.01 при лише 3 адаптаціях і сумарно 9 оновлених параметрах, тоді як повне перенавчання вимагає в середньому сумарно 27 оновлених параметрів за прогін і досягає MAE = 0.68 ± 0.01 (табл.1).Діагностика детектора релевантності показує, що в номінальному сценарії abrupt-strong досягається 𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 1.00 при 𝐹𝑃/1000 = 0.00 та середній затримці 43.9 ± 7.2 кроків, а в стрес-сценарії weak-gradual-noisy спостерігається контрольований компроміс 𝑅𝑒𝑐𝑎𝑙𝑙 = 0.87 ± 0.17 , 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =