Online Detection of Changes in Moment-Based Projections: When to Retrain Deep Learners or Update Portfolios?
基于矩的投影变化在线检测：何时重训深度学习模型或调整组合AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确处理高维非平稳时间序列，并研究投影二阶矩变化的序贯监测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于矩的投影变化在线检测：何时重训深度学习模型或调整组合
- 研究问题
- 如何持续监测预测或组合所依赖的投影二阶矩，在关系失效时触发重训或更新，并容许高维、非平稳及非独立训练数据？
- 方法与思路
- 作者研究开放式与固定期限监测规则，以投影部分和的高斯近似处理估计投影向量，并考察稀疏估计及协方差阈值化。
- 材料陈述的贡献
- 摘要称建立适用于高维非平稳时间序列的监测渐近理论，覆盖多类投影向量估计，并通过模拟和合成数据实验分析方法。
- 阅读关注点
- 应核对被检测的二阶矩变化与预测失效的联系、时间依赖条件、投影估计误差，以及监测阈值对误报和检测延迟的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未具体说明所称温和条件，也未提供真实部署中的节能或组合表现。
原文摘要
Training deep learning neural networks often requires massive amounts of computational ressources. We propose to sequentially monitor network predictions to trigger retraining only if the predictions are no longer valid. This can reduce drastically computational costs and opens a door to green deep learning. Our approach is based on the relationship to projected second moments monitoring, a problem also arising in other areas such as computational finance. Various open-end as well as closed-end monitoring rules are studied under mild assumptions on the training sample and the observations of the monitoring period. The results allow for high-dimensional non-stationary time series data and thus, especially, non-i.i.d. training data. Asymptotics is based on Gaussian approximations of projected partial sums allowing for an estimated projection vector. Estimation of projection vectors is studied both for classical non-$\ell_0$-sparsity as well as under sparsity. For the case that the optimal projection depends on the unknown covariance matrix, hard- and soft-thresholded estimators are studied. The method is analyzed by simulations and supported by synthetic data experiments.