論文の概要: Online Structural Change-point Detection of High-dimensional Streaming Data via Dynamic Sparse Subspace Learning

• arxiv url: http://arxiv.org/abs/2009.11713v3
• Date: Tue, 12 Apr 2022 05:27:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 04:14:11.664078
• Title: Online Structural Change-point Detection of High-dimensional Streaming Data via Dynamic Sparse Subspace Learning
• Title（参考訳）: 動的スパース部分空間学習による高次元ストリーミングデータのオンライン構造変化点検出
• Authors: Ruiyu Xu, Jianguo Wu, Xiaowei Yue and Yongxiang Li
• Abstract要約: 本研究では,高次元ストリーミングデータのオンライン構造変化点検出のための動的スパース部分空間学習手法を提案する。 新たな構造変化点モデルを提案し, 推定器の特性について検討した。 オンライン最適化と変更点検出のために,効率的なPruned Exact Linear Timeベースのアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 9.050841801109332
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-dimensional streaming data are becoming increasingly ubiquitous in many fields. They often lie in multiple low-dimensional subspaces, and the manifold structures may change abruptly on the time scale due to pattern shift or occurrence of anomalies. However, the problem of detecting the structural changes in a real-time manner has not been well studied. To fill this gap, we propose a dynamic sparse subspace learning approach for online structural change-point detection of high-dimensional streaming data. A novel multiple structural change-point model is proposed and the asymptotic properties of the estimators are investigated. A tuning method based on Bayesian information criterion and change-point detection accuracy is proposed for penalty coefficients selection. An efficient Pruned Exact Linear Time based algorithm is proposed for online optimization and change-point detection. The effectiveness of the proposed method is demonstrated through several simulation studies and a real case study on gesture data for motion tracking.
• Abstract（参考訳）: 高次元ストリーミングデータは、多くの分野でますます普及している。 それらはしばしば複数の低次元部分空間に存在し、多様体構造はパターンシフトや異常の発生によって時間スケールで突然変化する。 しかし,構造変化をリアルタイムに検出する問題は十分に研究されていない。 このギャップを埋めるために,高次元ストリーミングデータのオンライン構造変化点検出のための動的スパース部分空間学習手法を提案する。 新しい多重構造変化点モデルを提案し, 推定器の漸近特性について検討した。 ペナルティ係数選択のためのベイズ情報基準と変化点検出精度に基づくチューニング手法を提案する。 オンライン最適化と変更点検出のために,効率的なPruned Exact Linear Timeベースのアルゴリズムを提案する。 提案手法の有効性は,いくつかのシミュレーション実験と動作追跡のためのジェスチャデータの実例を用いて実証した。

関連論文リスト

• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• High dimensional change-point detection: a complete graph approach [0.0]
  低次元から高次元のオンラインデータから平均と分散の変化を検出するための完全なグラフベース変化点検出アルゴリズムを提案する。 グラフ構造に着想を得て,高次元データをメトリクスにマッピングするグラフスパンニング比を導入する。 提案手法は,小型かつ複数個のスキャニングウィンドウで高い検出能力を有し,オンライン環境における変化点のタイムリーな検出を可能にする。
  論文  参考訳（メタデータ） (2022-03-16T15:59:20Z)
• PERCEPT: a new online change-point detection method using topological data analysis [10.49648038337544]
  トポロジカルデータ分析(TDA)は、データセットから埋め込みトポロジカル構造を抽出する一連のデータ解析ツールを提供する。 そこで我々は,PERCEPT (Persistence diagram-based ChangE-PoinT Detection) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T18:05:52Z)
• 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)
• Online Changepoint Detection on a Budget [5.077509096253692]
  変更ポイントは、基礎となるデータの分布の急激なバリエーションである。 本稿では,オフラインの切替点検出アルゴリズムと比較したオンライン切替点検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-11T00:20:33Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• Partially Observable Online Change Detection via Smooth-Sparse Decomposition [16.8028358824706]
  本研究は,センサ容量の制限により,各センシング時点におけるデータストリームのサブセットのみを観測できる,疎度な変化を伴う高次元データストリームのオンライン変化検出について考察する。 一方、検出方式は、部分的に観測可能なデータを扱うことができ、一方、スパース変化に対する効率的な検出能力を有するべきである。 本稿では,CDSSDと呼ばれる新しい検出手法を提案する。特にスムーズな分解によるスムーズな変化を伴う高次元データの構造について述べる。
  論文  参考訳（メタデータ） (2020-09-22T16:03:04Z)
• 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)

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。