本論文では、画像分類における機械学習モデルの確率予測のキャリブレーションを監視するためのアプローチを提案しています。特に、機械学習モデルの予測確率が実際のイベント発生率と一致する場合、そのモデルは「良好にキャリブレートされている」と言えます。しかし、時間経過とともにキャリブレーションが失われる可能性があるため、これを継続的に監視する方法はまだ十分に研究されていません。本研究では、動的な限界を持つ累積和に基づいたアプローチを提案し、それによって従来のプロセス監視や概念漂流アプリケーションにおけるミスキャリブレーションを検出できます。この方法は確率予測やイベント結果に基づいて動作するため、機械学習モデルへの内部アクセスを求めない柔軟性があり、時間の経過によるキャリブレーションの変化を監視する必要がある状況に広く適用できることが特徴です。