論文の概要: Bandit Quickest Changepoint Detection
- arxiv url: http://arxiv.org/abs/2107.10492v1
- Date: Thu, 22 Jul 2021 07:25:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 20:17:35.789397
- Title: Bandit Quickest Changepoint Detection
- Title(参考訳): Bandit Quickest Changepoint Detection
- Authors: Aditya Gopalan, Venkatesh Saligrama and Braghadeesh Lakshminarayanan
- Abstract要約: 急激な変化は、しばしば局所的で観察可能なものであり、主によく整列された感覚行動によって行われる。
リソースの制約のため、すべてのセンサーの継続的な監視は現実的ではない。
本稿では,センサコストと検出遅延のバランスをとる手段として,帯域幅の速い変更点検出フレームワークを提案する。
- 参考スコア(独自算出の注目度): 61.570875627085485
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting abrupt changes in temporal behavior patterns is of interest in many
industrial and security applications. Abrupt changes are often local and
observable primarily through a well-aligned sensing action (e.g., a camera with
a narrow field-of-view). Due to resource constraints, continuous monitoring of
all of the sensors is impractical. We propose the bandit quickest changepoint
detection framework as a means of balancing sensing cost with detection delay.
In this framework, sensing actions (or sensors) are sequentially chosen, and
only measurements corresponding to chosen actions are observed. We derive an
information-theoretic lower bound on the detection delay for a general class of
finitely parameterized probability distributions. We then propose a
computationally efficient online sensing scheme, which seamlessly balances the
need for exploration of different sensing options with exploitation of querying
informative actions. We derive expected delay bounds for the proposed scheme
and show that these bounds match our information-theoretic lower bounds at low
false alarm rates, establishing optimality of the proposed method. We then
perform a number of experiments on synthetic and real datasets demonstrating
the efficacy of our proposed method.
- Abstract(参考訳): 時間的行動パターンの急激な変化を検出することは、多くの産業およびセキュリティアプリケーションにおいて興味深い。
急激な変化はしばしば局所的に観測可能であり、主によく整列された感知動作(例えば視野が狭いカメラ)によって観測される。
リソースの制約のため、すべてのセンサの継続的な監視は実用的ではない。
本稿では,センサコストと検出遅延のバランスをとる手段として,最短変更点検出フレームワークを提案する。
この枠組みでは、センサアクション(またはセンサー)が順次選択され、選択されたアクションに対応する測定のみが観察される。
有限パラメータ化確率分布の一般クラスにおける検出遅延に関する情報理論的下界を導出する。
そこで我々は,異なる検知オプションの探索と質問行動の活用をシームレスにバランスさせる,計算効率のよいオンラインセンシング手法を提案する。
我々は,提案手法の遅延境界を導出し,提案手法の最適性を確立するために,情報理論下限を低い誤警報率で一致させることを示す。
次に,提案手法の有効性を示す合成データと実データについて実験を行った。
関連論文リスト
- Online Change Points Detection for Linear Dynamical Systems with Finite
Sample Guarantees [1.6026317505839445]
本研究では,未知の力学を持つ線形力学系に対するオンライン変化点検出問題について検討する。
我々は,誤報を発生させる確率に基づいて,予め指定された上限を達成できるデータ依存しきい値を開発する。
論文 参考訳(メタデータ) (2023-11-30T18:08:16Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳(メタデータ) (2022-09-23T06:09:35Z) - Anomaly Detection and Inter-Sensor Transfer Learning on Smart
Manufacturing Datasets [6.114996271792091]
スマートマニュファクチャリングシステムの目標は、運用コストを削減し、ダウンタイムをなくすために、失敗を迅速に検出(または予測)することである。
これはしばしば、システムから取得したセンサーの日程内で異常を検出することに起因する。
スマートマニュファクチャリングアプリケーションドメインは、ある種の健全な技術的課題を提起します。
予測的障害分類が達成できることを示し、予測的メンテナンスの道を開く。
論文 参考訳(メタデータ) (2022-06-13T17:51:24Z) - Change Detection from Synthetic Aperture Radar Images via Dual Path
Denoising Network [38.78699830610313]
SAR画像変化検出のためのDual Path Denoising Network (DPDNet)を提案する。
我々は,事前分類に関わるラベルノイズをクリーンにするために,ランダムなラベル伝搬を導入する。
また,特徴表現学習のための特徴的パッチ畳み込みを提案する。
論文 参考訳(メタデータ) (2022-03-13T01:51:51Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳(メタデータ) (2021-10-12T17:21:41Z) - Task-Sensitive Concept Drift Detector with Metric Learning [7.706795195017394]
提案手法は, 実測時に真のラベルにアクセスすることなくドリフトを検出することのできる, タスク依存型ドリフト検出フレームワークである。
ドリフトが分類性能に影響を与える実際のドリフトを検出し、仮想ドリフトを適切に無視することができる。
本稿では, 検出精度, 偽陽性率, 検出遅延の標準指標を1つの値に蓄積する新しい指標を用いて, 提案手法の性能評価を行う。
論文 参考訳(メタデータ) (2021-08-16T09:10:52Z) - Optimal Sequential Detection of Signals with Unknown Appearance and
Disappearance Points in Time [64.26593350748401]
本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。
我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。
FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
論文 参考訳(メタデータ) (2021-02-02T04:58:57Z) - Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor
Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。
提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文 参考訳(メタデータ) (2021-01-12T12:02:26Z) - 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。