論文の概要: An Evaluation of Change Point Detection Algorithms
- arxiv url: http://arxiv.org/abs/2003.06222v3
- Date: Sat, 12 Feb 2022 15:03:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 01:21:48.880873
- Title: An Evaluation of Change Point Detection Algorithms
- Title（参考訳）: 変化点検出アルゴリズムの評価
- Authors: Gerrit J.J. van den Burg and Christopher K.I. Williams
- Abstract要約: 本稿では,変化点検出アルゴリズムの評価に特化して設計されたデータセットを提案する。
それぞれのシリーズは5人のアノテータによって注釈され、変化点の存在と位置について基礎的な真実を提供した。
次に、データセットの各時系列に対して14のアルゴリズムを評価するベンチマーク研究を行う。
- 参考スコア（独自算出の注目度）: 6.03459316244618
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Change point detection is an important part of time series analysis, as the
presence of a change point indicates an abrupt and significant change in the
data generating process. While many algorithms for change point detection have
been proposed, comparatively little attention has been paid to evaluating their
performance on real-world time series. Algorithms are typically evaluated on
simulated data and a small number of commonly-used series with unreliable
ground truth. Clearly this does not provide sufficient insight into the
comparative performance of these algorithms. Therefore, instead of developing
yet another change point detection method, we consider it vastly more important
to properly evaluate existing algorithms on real-world data. To achieve this,
we present a data set specifically designed for the evaluation of change point
detection algorithms that consists of 37 time series from various application
domains. Each series was annotated by five human annotators to provide ground
truth on the presence and location of change points. We analyze the consistency
of the human annotators, and describe evaluation metrics that can be used to
measure algorithm performance in the presence of multiple ground truth
annotations. Next, we present a benchmark study where 14 algorithms are
evaluated on each of the time series in the data set. Our aim is that this data
set will serve as a proving ground in the development of novel change point
detection algorithms.
- Abstract（参考訳）: 変化点検出は、変化点の存在がデータ生成プロセスの急激かつ重大な変化を示すため、時系列解析の重要な部分である。
変化点検出のための多くのアルゴリズムが提案されているが、実際の時系列での性能を評価するには比較的注意が払われている。
アルゴリズムは典型的にはシミュレーションされたデータと、信頼できない基礎的真理を持つ少数の一般的なシリーズで評価される。
明らかに、これらのアルゴリズムの比較性能について十分な洞察を与えていない。
したがって、新たな変化点検出法を開発する代わりに、既存のアルゴリズムを実世界データ上で適切に評価することが極めて重要であると考える。
そこで本研究では,各アプリケーション領域の37時系列からなる変化点検出アルゴリズムの評価に特化して設計されたデータセットを提案する。
それぞれのシリーズは5人のアノテータによって注釈され、変化点の存在と位置について基礎的な真実を提供した。
我々は、人間のアノテーションの一貫性を分析し、複数の基底的真理アノテーションが存在する場合のアルゴリズム性能の測定に使用できる評価指標について述べる。
次に、データセットの各時系列に対して14のアルゴリズムを評価するベンチマーク研究を行う。
私たちの目標は、このデータセットが、新しい変化点検出アルゴリズムの開発における実証的基盤となることです。
関連論文リスト
- Change points detection in crime-related time series: an on-line fuzzy
approach based on a shape space representation [0.0]
本稿では,犯罪関連時系列における変化点の検出と問合せを行うオンライン手法を提案する。
この手法は、非常に低い計算コストで変化点を正確に検出することができる。
論文 参考訳（メタデータ） (2023-12-18T10:49:03Z) - Unsupervised Change Point Detection for heterogeneous sensor signals [0.0]
各種データソースへの適用における柔軟性から,教師なしの手法を専ら検討する。
提案手法は,アルゴリズムを比較するためのいくつかの基準に基づいて導入し,評価する。
論文 参考訳（メタデータ） (2023-05-19T19:49:44Z) - Exogenous Data in Forecasting: FARM -- A New Measure for Relevance
Evaluation [62.997667081978825]
FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。
我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。
第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
論文 参考訳（メタデータ） (2023-04-21T15:22:33Z) - Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。
表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文 参考訳（メタデータ） (2022-06-16T11:44:11Z) - Deep learning model solves change point detection for multiple change
types [69.77452691994712]
変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。
本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
論文 参考訳（メタデータ） (2022-04-15T09:44:21Z) - WATCH: Wasserstein Change Point Detection for High-Dimensional Time
Series Data [4.228718402877829]
変化点検出方法は、教師なしの方法で変化を検出する能力を持つ。
本稿では,ワッサーシュタイン距離に基づく変化点検出手法であるWATCHを提案する。
広範な評価により、WATCHは変化点を正確に識別し、最先端の手法より優れていることが示されている。
論文 参考訳（メタデータ） (2022-01-18T16:55:29Z) - Bayesian Online Change Point Detection for Baseline Shifts [0.0]
時系列データ分析において、リアルタイムな変化点(オンライン)の検出は、金融、環境モニタリング、医療など、多くの分野で大きな関心を集めている。
これを実現するための有望な手段の1つは、ベイズオンライン変更点検出(BOCPD)アルゴリズムである。
このアルゴリズムは、ベースラインが初期状態から不可逆的にシフトした場合に困難であることが判明した。これは、元のBOCPDアルゴリズムでは、データポイントが位置で変動している場合、変化点を検出する感度が低下するからである。
論文 参考訳（メタデータ） (2022-01-07T04:44:25Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳（メタデータ） (2021-05-23T19:21:55Z) - Change Point Detection in Time Series Data using Autoencoders with a
Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。
近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。
我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文 参考訳（メタデータ） (2020-08-21T15:03:21Z) - A Self-Training Approach for Point-Supervised Object Detection and
Counting in Crowds [54.73161039445703]
本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。
トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。
実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-25T02:14:42Z) - Generalization of Change-Point Detection in Time Series Data Based on
Direct Density Ratio Estimation [1.929039244357139]
既存のアルゴリズムを様々なバイナリ分類と回帰モデルを用いて一般化する方法を示す。
アルゴリズムは、いくつかの合成および実世界のデータセットでテストされる。
論文 参考訳（メタデータ） (2020-01-17T15:45:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。