論文の概要: Unsupervised Change Detection using DRE-CUSUM

• arxiv url: http://arxiv.org/abs/2201.11678v1
• Date: Thu, 27 Jan 2022 17:25:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-28 14:54:39.269476
• Title: Unsupervised Change Detection using DRE-CUSUM
• Title（参考訳）: DRE-CUSUMを用いた教師なし変更検出
• Authors: Sudarshan Adiga, Ravi Tandon
• Abstract要約: DRE-CUSUMは、時系列データの統計的変化を決定するために、教師なし密度比推定(DRE)に基づく手法である。 本稿では,統計的変化を確実に検出できることを示す理論的正当性および精度保証を示す。 我々は、既存の最先端の教師なしアルゴリズムよりも、合成データセットと実世界のデータセットの両方を用いて、DRE-CUSUMの優位性を実験的に示す。
• 参考スコア（独自算出の注目度）: 14.73895038690252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents DRE-CUSUM, an unsupervised density-ratio estimation (DRE) based approach to determine statistical changes in time-series data when no knowledge of the pre-and post-change distributions are available. The core idea behind the proposed approach is to split the time-series at an arbitrary point and estimate the ratio of densities of distribution (using a parametric model such as a neural network) before and after the split point. The DRE-CUSUM change detection statistic is then derived from the cumulative sum (CUSUM) of the logarithm of the estimated density ratio. We present a theoretical justification as well as accuracy guarantees which show that the proposed statistic can reliably detect statistical changes, irrespective of the split point. While there have been prior works on using density ratio based methods for change detection, to the best of our knowledge, this is the first unsupervised change detection approach with a theoretical justification and accuracy guarantees. The simplicity of the proposed framework makes it readily applicable in various practical settings (including high-dimensional time-series data); we also discuss generalizations for online change detection. We experimentally show the superiority of DRE-CUSUM using both synthetic and real-world datasets over existing state-of-the-art unsupervised algorithms (such as Bayesian online change detection, its variants as well as several other heuristic methods).
• Abstract（参考訳）: 本稿では,DRE-CUSUMについて述べる。DRE-CUSUMは教師なし密度比推定(DRE)に基づく手法で,事前および後変化分布の知識がない場合に時系列データの統計的変化を決定する。 提案手法の背後にある基本的な考え方は、時系列を任意の点で分割し、分割点の前後の分布密度(ニューラルネットワークのようなパラメトリックモデルを用いて)の比率を推定することである。 DRE-CUSUM変化検出統計は、推定密度比の対数の累積和(CUSUM)から導出される。 理論的な正当化と精度保証を提示し,提案する統計学は,分割点によらず,統計的変化を確実に検出できることを示す。 変更検出に密度比に基づく方法を使用するという以前の取り組みは、我々の知る限りでは最善だが、理論的正当性と正確性を保証する最初の教師なし変更検出アプローチである。 提案手法の単純さにより,様々な実践的状況(高次元時系列データを含む)に容易に適用でき,オンライン変更検出の一般化についても論じる。 我々は,既存の非教師付きアルゴリズム(ベイジアンオンライン変化検出,変種,その他のヒューリスティック手法など)に対して,合成データセットと実世界のデータセットの両方を用いて,DRE-CUSUMの優位性を実験的に示す。

関連論文リスト

• Reproduction of scan B-statistic for kernel change-point detection algorithm [10.49860279555873]
  変化点検出は、幅広い応用のために大きな注目を集めている。 本稿では,カーネルベースの効率的なスキャンB統計に基づくオンライン変更点検出アルゴリズムを最近提案した。 数値実験により, 走査型B統計が常に優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-08-23T15:12:31Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Partially-Observable Sequential Change-Point Detection for Autocorrelated Data via Upper Confidence Region [12.645304808491309]
  逐次変化点検出のための状態空間モデル(AUCRSS)を用いたアダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・ SSMのオンライン推論のために部分的に観測可能なカルマンフィルタアルゴリズムを開発し、一般化された確率比テストに基づく変化点検出スキームを解析する。
  論文  参考訳（メタデータ） (2024-03-30T02:32:53Z)
• An Evaluation of Real-time Adaptive Sampling Change Point Detection Algorithm using KCUSUM [4.610597418629838]
  本稿では,Kernel-based Cumulative Sum (KCUSUM)アルゴリズムを導入し,従来のCumulative Sum (CUSUM) 法を非パラメトリック拡張する。 KCUSUMは、入ってくるサンプルを参照サンプルと直接比較することで自身を分割し、最大平均離散(MMD)非パラメトリックフレームワークに基礎を置く統計を計算する。 我々は,NWChem CODARやタンパク質折り畳みデータなどの科学シミュレーションによる実世界のユースケースについて論じ,オンライン変化点検出におけるKCUSUMの有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-15T19:45:24Z)
• Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
  分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。 歴史的情報を適切に再利用するオンライン手法を提案する。 我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
  論文  参考訳（メタデータ） (2023-02-06T04:03:33Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Change-point Detection and Segmentation of Discrete Data using Bayesian Context Trees [7.090165638014331]
  最近導入されたBayesian Context Trees (BCT) フレームワークに基づいて構築され、離散時系列における異なるセグメントの分布を可変メモリマルコフ連鎖として記述する。 変化点の存在と位置の推測はマルコフ連鎖モンテカルロサンプリングによって行われる。 シミュレーションと実世界の両方のデータから,提案手法は最先端技術よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-08T19:03:21Z)
• A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
  バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。 ブレグマン最小化の発散の観点から一般的な枠組みを開発する。 我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
  論文  参考訳（メタデータ） (2021-12-07T01:23:20Z)
• 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)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Optimal Change-Point Detection with Training Sequences in the Large and Moderate Deviations Regimes [72.68201611113673]
  本稿では,情報理論の観点から,新しいオフライン変化点検出問題について検討する。 基礎となる事前および変更後分布の知識は分かっておらず、利用可能なトレーニングシーケンスからのみ学習できると仮定する。
  論文  参考訳（メタデータ） (2020-03-13T23:39:40Z)

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。