論文の概要: Valid and Exact Statistical Inference for Multi-dimensional Multiple
Change-Points by Selective Inference
- arxiv url: http://arxiv.org/abs/2110.08989v1
- Date: Mon, 18 Oct 2021 02:44:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-20 06:10:53.068269
- Title: Valid and Exact Statistical Inference for Multi-dimensional Multiple
Change-Points by Selective Inference
- Title(参考訳): 選択的推論による多次元多重変化点の統計的検証
- Authors: Ryota Sugiyama, Hiroki Toda, Vo Nguyen Le Duy, Yu Inatsu, Ichiro
Takeuchi
- Abstract要約: 多次元配列における変化点(CP)の統計的推定について検討した。
検出された位置と成分の統計的信頼性を評価するための有効な正確な推測方法が確立されていない。
提案手法の有効性を,ゲノム異常の同定と人間の行動解析の問題点に適用することで実証する。
- 参考スコア(独自算出の注目度): 17.926836136701194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we study statistical inference of change-points (CPs) in
multi-dimensional sequence. In CP detection from a multi-dimensional sequence,
it is often desirable not only to detect the location, but also to identify the
subset of the components in which the change occurs. Several algorithms have
been proposed for such problems, but no valid exact inference method has been
established to evaluate the statistical reliability of the detected locations
and components. In this study, we propose a method that can guarantee the
statistical reliability of both the location and the components of the detected
changes. We demonstrate the effectiveness of the proposed method by applying it
to the problems of genomic abnormality identification and human behavior
analysis.
- Abstract(参考訳): 本稿では,多次元配列における変化点(CP)の統計的推測について検討する。
多次元配列からのCP検出では、位置を検出するだけでなく、変化が起こるコンポーネントのサブセットを特定することも望ましい。
このような問題に対していくつかのアルゴリズムが提案されているが、検出された位置や成分の統計的信頼性を評価するための正確な推測法は確立されていない。
本研究では,検出された変化の位置と成分の両方の統計的信頼性を保証する手法を提案する。
提案手法の有効性を,ゲノム異常の同定と人間の行動解析の問題点に適用することで実証する。
関連論文リスト
- Change points detection in crime-related time series: an on-line fuzzy
approach based on a shape space representation [0.0]
本稿では,犯罪関連時系列における変化点の検出と問合せを行うオンライン手法を提案する。
この手法は、非常に低い計算コストで変化点を正確に検出することができる。
論文 参考訳(メタデータ) (2023-12-18T10:49:03Z) - Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳(メタデータ) (2023-11-09T23:32:06Z) - Unsupervised Change Point Detection for heterogeneous sensor signals [0.0]
各種データソースへの適用における柔軟性から,教師なしの手法を専ら検討する。
提案手法は,アルゴリズムを比較するためのいくつかの基準に基づいて導入し,評価する。
論文 参考訳(メタデータ) (2023-05-19T19:49:44Z) - Variational Voxel Pseudo Image Tracking [127.46919555100543]
不確実性推定は、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。
本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking (VPIT) の変分ニューラルネットワークによるバージョンを提案する。
論文 参考訳(メタデータ) (2023-02-12T13:34:50Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - Information-Theoretic Bias Reduction via Causal View of Spurious
Correlation [71.9123886505321]
本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。
本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。
提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
論文 参考訳(メタデータ) (2022-01-10T01:19:31Z) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳(メタデータ) (2021-10-12T22:04:19Z) - An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time
Series [7.675917669905486]
本稿では,異常検出・診断のための教師なし・半教師付き深層学習手法の体系的・包括的評価について述べる。
我々は、10のモデルと4のスコアリング関数のグリッドを通して、モデルエラーのモデルと後処理を変え、これらの変種を最先端の手法と比較する。
既存の評価指標は、事象を考慮に入れていないか、良い検知器と自明な検出器を区別できないかのどちらかである。
論文 参考訳(メタデータ) (2021-09-23T15:14:24Z) - 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) - Online detection of local abrupt changes in high-dimensional Gaussian
graphical models [13.554038901140949]
高次元ガウス図形モデル(GGM)における変化点をオンライン手法で同定する問題は、生物学、経済学、社会科学に新たな応用が加えられたため、興味深い。
我々は、この問題に対処する新しいテストを開発する。これは、入力データの適切な選択された部分の正規化共分散行列の$ell_infty$ノルムに基づいている。
論文 参考訳(メタデータ) (2020-03-16T00:41:34Z)
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。