Бюджетована дрейф-ініційована мікроадаптація для потокового прогнозування часових рядів за умовами змін релевантності модальностей

Abstract

UA: У потокових інтелектуальних системах підтримки прийняття рішень прогнозування мультимодальних часових рядів виконується каузально та за обмежених ресурсів, тому повне перенавчання після кожної зміни середовища є надмірним. Розглянуто дрейф відносної релевантності модальностей і подієвоініційовану бюджетовану мікроадаптацію, що оновлює лише малу голову злиття θ = (a, b, c). Подію дрейфу визначають за сигналом релевантності на ковзному вікні (із згладженням і перевіркою персистентності), після чого запускається інкрементне оновлення. Показано, що в постдрейфових сегментах точність зростає до MAE = 0.66 ± 0.01 проти 0.70 ± 0.01 та RMSE = 0.84 ± 0.01 проти 0.90 ± 0.01, а також середній час відновлення становить 157 кроків; у середньому виконуються 3 оновлення. /// EN: Streaming multimodal time-series forecasting for decision support must operate causally under tight latency and update budgets, while the relative usefulness of modalities can change over time. This work considers modalityrelevance drift as a persistent change in which modality contributes more to the target, and applies an event-triggered budgeted micro-adaptation mechanism that updates only a small fusion head θ = (a, b, c). A relevance signal is estimated on a sliding window and smoothed to suppress noise; a drift event is confirmed via a persistence rule and a cooldown period to avoid cascaded triggers. When a drift event is confirmed, a short online update is executed using a fixed step/sample budget, and the system logs adaptation events and costs (number of updates and updated parameters) to make the quality–cost trade-off auditable. The approach is evaluated in a controlled streaming setup with two modalities and repeated runs (10 seeds). In post-drift segments, micro-adaptation improves accuracy to MAE = 0.66 ± 0.01 versus 0.70 ± 0.01 without adaptation, and RMSE = 0.84 ± 0.01 versus 0.90 ± 0.01. The mean recovery time after drift is 157 steps, compared with 242 for periodic updating and 800 without adaptation. The update budget remains small: on average 3 micro-updates are executed, corresponding to 9 updated parameters in total, whereas periodic updating requires 24 updates (72 parameters). Diagnostic timelines and a Pareto view of MAE versus total updated parameters summarize the trigger behavior and the controllable trade-off between accuracy and update cost. An ablation study quantifies the contribution of the trigger components and budgeted updating to MAE across methods, supporting robust tuning decisions. Overall, event-triggered micro-adaptation provides a resource-efficient way to maintain streaming forecasting quality under modality-relevance changes.