論文の概要: Fast Online Changepoint Detection via Functional Pruning CUSUM statistics

• arxiv url: http://arxiv.org/abs/2110.08205v1
• Date: Fri, 15 Oct 2021 17:08:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-18 16:14:35.771147
• Title: Fast Online Changepoint Detection via Functional Pruning CUSUM statistics
• Title（参考訳）: 関数型Pruning CUSUM統計を用いた高速オンライン変更点検出
• Authors: Gaetano Romano, Idris Eckley, Paul Fearnhead, Guillem Rigaill
• Abstract要約: 関数型オンラインCuSUM(FOCuS)は、すべてのウィンドウサイズ、または変更サイズで可能なすべての値に対して、以前のメソッドを同時に実行することと等価である。 FOCuSが平均シナリオの様々な変化にどのように適用できるかを示し、その実用性を実証する。
• 参考スコア（独自算出の注目度）: 2.867517731896504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many modern applications of online changepoint detection require the ability to process high-frequency observations, sometimes with limited available computational resources. Online algorithms for detecting a change in mean often involve using a moving window, or specifying the expected size of change. Such choices affect which changes the algorithms have most power to detect. We introduce an algorithm, Functional Online CuSUM (FOCuS), which is equivalent to running these earlier methods simultaneously for all sizes of window, or all possible values for the size of change. Our theoretical results give tight bounds on the expected computational cost per iteration of FOCuS, with this being logarithmic in the number of observations. We show how FOCuS can be applied to a number of different change in mean scenarios, and demonstrate its practical utility through its state-of-the art performance at detecting anomalous behaviour in computer server data.
• Abstract（参考訳）: オンライン切換点検出の最近の多くの応用は、時として利用可能な限られた計算資源で、高周波観測を処理する能力を必要とする。 平均的な変化を検出するオンラインアルゴリズムは、しばしば移動ウィンドウを使用するか、期待される変更サイズを指定する。 このような選択は、アルゴリズムが検出する最大の力を持つものに影響する。 このアルゴリズムは,すべてのウィンドウサイズに対して,あるいは変更サイズに対して可能なすべての値に対して,これら以前のメソッドを同時に実行するのに等価である。 我々の理論的結果は、FOCuSの反復1回当たりの計算コストに厳密な制約を与え、これは観測数に対数的である。 本稿では,FOCuSが平均シナリオの変化にどのように適用できるかを示すとともに,コンピュータサーバデータの異常な振る舞いを検出するための最先端技術による実用性を示す。

関連論文リスト

• 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)
• A Log-Linear Non-Parametric Online Changepoint Detection Algorithm based on Functional Pruning [5.202524136984542]
  シーケンスの分布の変化を検出するために,フレキシブルな非パラメトリック手法を構築した。 機能的プルーニングのアイデアのおかげで、NP-FOCuSは観測回数の対数直線的な計算コストを持つ。 検出能力の面では、NP-FOCuSは様々な設定で現在の非パラメトリックオンライン変更ポイント技術より優れている。
  論文  参考訳（メタデータ） (2023-02-06T11:50:02Z)
• Online Kernel CUSUM for Change-Point Detection [12.383181837411469]
  本稿では,変化点検出のための計算効率の良いオンラインカーネルCumulative Sum (CUSUM) を提案する。 提案手法は,既存のカーネルベースの変更点検出法と比較して,小さな変更に対する感度の向上を示す。
  論文  参考訳（メタデータ） (2022-11-28T05:08:30Z)
• Fast Exploration of the Impact of Precision Reduction on Spiking Neural Networks [63.614519238823206]
  ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。 我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
  論文  参考訳（メタデータ） (2022-11-22T15:08:05Z)
• E-detectors: a nonparametric framework for sequential change detection [86.15115654324488]
  逐次的変化検出のための基本的かつ汎用的なフレームワークを開発する。 私たちの手順は、平均走行距離のクリーンで無症状な境界が伴います。 統計的および計算効率の両方を達成するために,これらの混合物を設計する方法を示す。
  論文  参考訳（メタデータ） (2022-03-07T17:25:02Z)
• 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)
• DeepTimeAnomalyViz: A Tool for Visualizing and Post-processing Deep Learning Anomaly Detection Results for Industrial Time-Series [88.12892448747291]
  DeTAVIZ インタフェースは Web ブラウザをベースとした可視化ツールで,特定の問題における DL ベースの異常検出の実現可能性の迅速な探索と評価を行う。 DeTAVIZを使えば、ユーザーは複数のポスト処理オプションを簡単かつ迅速に繰り返し、異なるモデルを比較することができ、選択したメトリックに対して手動で最適化できる。
  論文  参考訳（メタデータ） (2021-09-21T10:38:26Z)
• 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)
• Online Neural Networks for Change-Point Detection [0.6015898117103069]
  ニューラルネットワークに基づく2つのオンライン変更点検出手法を提案する。 様々な合成および実世界のデータセット上で最もよく知られたアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2020-10-03T16:55:59Z)
• 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)
• High-dimensional, multiscale online changepoint detection [7.502070498889449]
  ガウス的データストリームが平均的に変更されるような設定において,高次元のオンライン変更点検出のための新しい手法を提案する。 このアルゴリズムは、新しい観測におけるストレージ要件と最悪の計算複雑性の両方が、以前の観測数とは無関係であるという意味で、オンラインである。 Rパッケージ 'ocd' に実装した提案手法の有効性をシミュレーションにより検証し,その有効性を地震学データセット上で実証する。
  論文  参考訳（メタデータ） (2020-03-07T21:54:09Z)

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。