כתבה
arXiv cs.LG ·
מדיניות עדכון תכופות למודלים שנלמדו מסרגלי נתונים זולגים: מגבול שוויון-גיל להקצאה אופטימלית לפי-פרק
Differential Refresh Policies for Models Trained on Lagging Data Snapshots: From a Single-Age Equivalence Limit to an Optimal Per-Segment Allocation
נמצאו מדיניות עדכון אופטימליות למודלי ML שנלמדו מסרגלי נתונים זולגים. המחקר מציע שיטה חדשה לעדכון מודלים, שמבטיחה פחות חשיפה לנתונים זולגים. המחקר נערך על ידי צוות מדעניות ומדעני חוקרים מאוניברסיטת Stanford.
תקציר מקורי באנגליתarXiv:2610.09519v1 Announce Type: new Abstract: Production machine-learning models are derived artifacts of time-bounded training snapshots: a deployed model is a materialized view over a training cut that ages the instant it is built. A common response is to replace the fixed retraining cadence with an adaptive trigger -- a weighted staleness score that retrains when accumulated source risk crosses a threshold. We show this is the wrong lever, and identify the right one. First, an equivalence limit: any refresh trigger that is a static, strictly monotone function of a single shared global training-data age is operationally equivalent to a calibrated uniform age timer, so a global staleness budget, however elaborately it weights segments, sources, and sensitivities, carries no scheduling i
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית