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

• Unsupervised Novelty Detection Methods Benchmarking with Wavelet Decomposition [0.22369578015657962]
  新規性検出のための教師なし機械学習アルゴリズムを比較する。 新しいデータセットは、特定の周波数で振動するアクチュエータから収集され、アルゴリズムをベンチマークし、フレームワークを評価する。 本研究は,実世界の新規性検出アプリケーションにおける教師なし学習技術の適応性と堅牢性に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2024-09-11T09:31:28Z)
• Incorporating Gradients to Rules: Towards Lightweight, Adaptive Provenance-based Intrusion Detection [11.14938737864796]
  多様な環境に自動的に適応できるルールベースのPIDSであるCAPTAINを提案する。 我々は、微分可能なタグ伝搬フレームワークを構築し、勾配降下アルゴリズムを用いてこれらの適応パラメータを最適化する。 その結果,CAPTAINは検出精度の向上,検出遅延の低減,ランタイムオーバーヘッドの低減,検出アラームや知識の解釈性の向上を実現している。
  論文  参考訳（メタデータ） (2024-04-23T03:50:57Z)
• STMixer: A One-Stage Sparse Action Detector [43.62159663367588]
  よりフレキシブルな1段アクション検出器のための2つのコア設計を提案する。 まず、クエリベースの適応的特徴サンプリングモジュールを分離し、ビデオ時間領域全体から特徴群をマイニングする柔軟性を備えた検出器を実現する。 第2に,より優れた特徴復号化のために,空間次元と時間次元の混合に動的に参画する分離された特徴混合モジュールを考案する。
  論文  参考訳（メタデータ） (2024-04-15T14:52:02Z)
• One Masked Model is All You Need for Sensor Fault Detection, Isolation and Accommodation [1.0359008237358598]
  マスク付きモデルと自己教師型学習を用いたセンサ故障検出のための新しいフレームワークを提案する。 提案手法を,オフショアGE風力タービンのパブリックデータセットと実世界のデータセットの両方で検証する。 提案手法は,センサ計測の精度と信頼性をリアルタイムに向上する可能性がある。
  論文  参考訳（メタデータ） (2024-03-24T13:44:57Z)
• 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)
• 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)
• 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。