論文の概要: InDiD: Instant Disorder Detection via Representation Learning

• arxiv url: http://arxiv.org/abs/2106.02602v4
• Date: Mon, 01 Sep 2025 15:07:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 17:24:08.972809
• Title: InDiD: Instant Disorder Detection via Representation Learning
• Title（参考訳）: InDiD:表現学習によるインスタント障害検出
• Authors: Evgenia Romanenkova, Alexander Stepikin, Matvey Morozov, Alexey Zaytsev,
• Abstract要約: 本稿では,変化検出遅延と時刻を誤報にバランスさせる原理的損失関数を提案する。 合成シーケンス、実世界のデータセンサー、変化点のあるビデオについて検討する。 実験の結果、複雑なデータはタスクの特異性に合わせて意味のある表現を必要とすることが示唆された。
• 参考スコア（独自算出の注目度）: 40.695323653038606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For sequential data, a change point is a moment of abrupt regime switch in data streams. Such changes appear in different scenarios, including simpler data from sensors and more challenging video surveillance data. We need to detect disorders as fast as possible. Classic approaches for change point detection (CPD) might underperform for semi-structured sequential data because they cannot process its structure without a proper representation. We propose a principled loss function that balances change detection delay and time to a false alarm. It approximates classic rigorous solutions but is differentiable and allows representation learning for deep models. We consider synthetic sequences, real-world data sensors and videos with change points. We carefully labelled available data with change point moments for video data and released it for the first time. Experiments suggest that complex data require meaningful representations tailored for the specificity of the CPD task -- and our approach provides them outperforming considered baselines. For example, for explosion detection in video, the F1 score for our method is 0.53 compared to baseline scores of 0.31 and 0.35.
• Abstract（参考訳）: シーケンシャルデータの場合、変更点はデータストリームにおける突然のレギュレーションスイッチの瞬間である。 このような変更は、センサーからの単純なデータや、より困難なビデオ監視データなど、さまざまなシナリオに現れます。 できるだけ早く障害を検出する必要がある。 変化点検出(CPD)の古典的なアプローチは、適切な表現なしではその構造を処理できないため、半構造化されたシーケンシャルなデータに対して過小評価される可能性がある。 本稿では,変化検出遅延と時刻を誤報にバランスさせる原理的損失関数を提案する。 古典的な厳密な解を近似するが、微分可能であり、深層モデルの表現学習を可能にする。 合成シーケンス、実世界のデータセンサー、変化点のあるビデオについて検討する。 利用可能なデータをビデオデータの変更点モーメントで慎重にラベル付けし、初めてリリースしました。 実験によると、複雑なデータには、CDDタスクの特異性に適した意味のある表現が必要です。 例えば、ビデオにおける爆発検出では、本手法のF1スコアは0.53であり、ベースラインスコアは0.31、0.35である。

関連論文リスト

• DIVE: Inverting Conditional Diffusion Models for Discriminative Tasks [79.50756148780928]
  本稿では,事前学習した拡散モデルを用いて識別課題を遂行する問題について検討する。 我々は、事前学習されたレイアウト・ツー・イメージ拡散モデルの「反転」により、事前学習した凍結生成拡散モデルの識別能力を分類タスクからより複雑なオブジェクト検出タスクに拡張する。
  論文  参考訳（メタデータ） (2025-04-24T05:13:27Z)
• Neural Network-Based Change Point Detection for Large-Scale Time-Evolving Data [14.131002665374575]
  以下の2段階の手順に基づいて検出戦略を開発する。 戦略は、変化点の数と位置の両方について一貫した見積もりを得る。
  論文  参考訳（メタデータ） (2025-03-12T16:58:52Z)
• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは,ポイントマスク自動エンコーダのグローバルな特徴表現を強化する,自己教師型学習フレームワークである。 PseudoNeg-MAE は ModelNet40 と ScanObjectNN のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Enhancing Changepoint Detection: Penalty Learning through Deep Learning Techniques [2.094821665776961]
  本研究では,ペナルティパラメータを予測するための新しいディープラーニング手法を提案する。 これにより、大規模なベンチマーク管理されたラベル付きデータセットにおいて、明らかに変更点検出精度が向上する。
  論文  参考訳（メタデータ） (2024-08-01T18:10:05Z)
• Greedy online change point detection [0.0]
  Greedy Online Change Point Detection (GOCPD) は、2つの独立したモデルの(時間的)連結から来るデータの確率を最大化することにより、変化点を求める計算上魅力的な方法である。 一つの変化点を持つ時系列の場合、この目的は不定意であり、対数複雑性を持つ3次探索によってCDDを高速化できることが示される。
  論文  参考訳（メタデータ） (2023-08-14T08:59:59Z)
• Meta-tuning Loss Functions and Data Augmentation for Few-shot Object Detection [7.262048441360132]
  少ないショットのオブジェクト検出は、少数ショットの学習とオブジェクト検出という領域において、新たなトピックである。 本稿では,数発検出を促進できる帰納的バイアスの学習を可能にする訓練手法を提案する。 提案手法は,高パラメトリックかつ複雑な数ショットメタモデルとは対照的に,解釈可能な損失関数を生成する。
  論文  参考訳（メタデータ） (2023-04-24T15:14:16Z)
• 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)
• Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
  そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。 実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
  論文  参考訳（メタデータ） (2021-12-10T20:46:13Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• 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)
• 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。