論文の概要: Sequential change-point detection for mutually exciting point processes
over networks
- arxiv url: http://arxiv.org/abs/2102.05724v1
- Date: Wed, 10 Feb 2021 20:20:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-12 14:22:52.944299
- Title: Sequential change-point detection for mutually exciting point processes
over networks
- Title（参考訳）: ネットワーク上の相互励起点過程の逐次変化点検出
- Authors: Haoyun Wang, Liyan Xie, Yao Xie, Alex Cuozzo, Simon Mak
- Abstract要約: 我々は,自己および相互エキサイティングなプロセス,すなわちホークスネットワークにおける変化点を逐次検出する新しいCUSUM手順を提案する。
提案手法は既存手法よりも性能がよいことを示す。
- 参考スコア（独自算出の注目度）: 11.672651073865538
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a new CUSUM procedure for sequentially detecting change-point in
the self and mutual exciting processes, a.k.a. Hawkes networks using discrete
events data. Hawkes networks have become a popular model for statistics and
machine learning due to their capability in modeling irregularly observed data
where the timing between events carries a lot of information. The problem of
detecting abrupt changes in Hawkes networks arises from various applications,
including neuronal imaging, sensor network, and social network monitoring.
Despite this, there has not been a computationally and memory-efficient online
algorithm for detecting such changes from sequential data. We present an
efficient online recursive implementation of the CUSUM statistic for Hawkes
processes, both decentralized and memory-efficient, and establish the
theoretical properties of this new CUSUM procedure. We then show that the
proposed CUSUM method achieves better performance than existing methods,
including the Shewhart procedure based on count data, the generalized
likelihood ratio (GLR) in the existing literature, and the standard score
statistic. We demonstrate this via a simulated example and an application to
population code change-detection in neuronal networks.
- Abstract（参考訳）: 自己および相互エキサイティングなプロセス,a.a.における変化点を逐次検出する新しいCUSUM手順を提案する。
離散イベントデータを用いたホークスネットワーク。
ホークスネットワークは、イベント間のタイミングが多くの情報を運ぶ不規則に観測されたデータをモデル化する能力があるため、統計と機械学習の一般的なモデルとなっている。
ホークスネットワークの突然の変化を検出する問題は、ニューロンイメージング、センサーネットワーク、ソーシャルネットワーク監視など、さまざまなアプリケーションから発生します。
これにもかかわらず、連続データからそのような変化を検出するための計算的およびメモリ効率のよいオンラインアルゴリズムは存在しない。
本稿では, 分散処理とメモリ効率の両面において, CUSUM の効率的なオンライン再帰的実装を行い, 新たな CUSUM 手法の理論的特性を確立する。
そこで提案したCUSUM法は,計算データに基づくShewhart手順,既存の文献における一般化確率比(GLR),標準スコア統計など,既存の手法よりも優れた性能を発揮できることを示した。
シミュレーション例と,ニューロンネットワークにおける集団コード変化検出への応用により,これを実証する。
関連論文リスト
- Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。
効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。
実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文 参考訳（メタデータ） (2023-07-20T16:00:19Z) - Neural network-based CUSUM for online change-point detection [17.098858682219866]
オンライン変更点検出のためのニューラルネットワークCUSUM(NN-CUSUM)を提案する。
トレーニングされたニューラルネットワークが変化点検出を行うことができる場合の一般的な理論的条件を示す。
NN-CUSUMの強い性能は、高次元データにおける変化点の検出において実証される。
論文 参考訳（メタデータ） (2022-10-31T16:47:11Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。
我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。
3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
論文 参考訳（メタデータ） (2022-09-22T06:06:56Z) - The impact of memory on learning sequence-to-sequence tasks [6.603326895384289]
自然言語処理におけるニューラルネットワークの最近の成功は、シーケンシャル・ツー・シーケンス(seq2seq)タスクに新たな注目を集めている。
本稿では,シークエンスにおけるメモリの次数,すなわち非マルコビアン性に対する明示的な制御の利点を生かしたSeq2seqタスクのモデルを提案する。
論文 参考訳（メタデータ） (2022-05-29T14:57:33Z) - Universal Transformer Hawkes Process with Adaptive Recursive Iteration [4.624987488467739]
非同期イベントシーケンスは、自然界に広く分布し、地震記録、ソーシャルメディアでのユーザ活動など人間の活動も行われている。
これらの不規則なデータから情報を抽出する方法は、研究者が注目する永続的なトピックである。
最も有用なモデルの1つは点過程モデルであり、それに基づいて、研究者は多くの顕著な結果を得る。
近年、ニューラルネットワークの基礎となるポイントプロセスモデル、特にリカレントニューラルネットワーク(RNN)が提案され、従来のモデルと比較され、その性能が大幅に向上している。
論文 参考訳（メタデータ） (2021-12-29T09:55:12Z) - 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) - Mitigating Performance Saturation in Neural Marked Point Processes:
Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。
我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2021-07-07T16:59:14Z) - CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。
CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。
我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
論文 参考訳（メタデータ） (2021-05-10T07:31:59Z) - Mutually exciting point process graphs for modelling dynamic networks [0.0]
相互励起点過程グラフ(MEG)と呼ばれる動的ネットワークのための新しいモデルのクラスが提案される。
MEGは、Dyadicマーク付きポイントプロセスのためのスケーラブルなネットワークワイド統計モデルであり、異常検出に使用できる。
このモデルはシミュレーショングラフと実世界のコンピュータネットワークデータセット上でテストされ、優れた性能を示す。
論文 参考訳（メタデータ） (2021-02-11T10:14:55Z) - Continual Learning in Recurrent Neural Networks [67.05499844830231]
リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。
RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重
そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
論文 参考訳（メタデータ） (2020-06-22T10:05:12Z)
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。