論文の概要: PERCEPT: a new online change-point detection method using topological data analysis

• arxiv url: http://arxiv.org/abs/2203.04246v1
• Date: Tue, 8 Mar 2022 18:05:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-09 15:42:56.419951
• Title: PERCEPT: a new online change-point detection method using topological data analysis
• Title（参考訳）: トポロジカルデータ解析を用いた新しいオンライン変化点検出手法PERCEPT
• Authors: Xiaojun Zheng, Simon Mak, Liyan Xie, Yao Xie
• Abstract要約: トポロジカルデータ分析(TDA)は、データセットから埋め込みトポロジカル構造を抽出する一連のデータ解析ツールを提供する。 そこで我々は,PERCEPT (Persistence diagram-based ChangE-PoinT Detection) と呼ばれる新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 10.49648038337544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Topological data analysis (TDA) provides a set of data analysis tools for extracting embedded topological structures from complex high-dimensional datasets. In recent years, TDA has been a rapidly growing field which has found success in a wide range of applications, including signal processing, neuroscience and network analysis. In these applications, the online detection of changes is of crucial importance, but this can be highly challenging since such changes often occur in a low-dimensional embedding within high-dimensional data streams. We thus propose a new method, called PERsistence diagram-based ChangE-PoinT detection (PERCEPT), which leverages the learned topological structure from TDA to sequentially detect changes. PERCEPT follows two key steps: it first learns the embedded topology as a point cloud via persistence diagrams, then applies a non-parametric monitoring approach for detecting changes in the resulting point cloud distributions. This yields a non-parametric, topology-aware framework which can efficiently detect online changes from high-dimensional data streams. We investigate the effectiveness of PERCEPT over existing methods in a suite of numerical experiments where the data streams have an embedded topological structure. We then demonstrate the usefulness of PERCEPT in two applications in solar flare monitoring and human gesture detection.
• Abstract（参考訳）: トポロジカルデータ解析(TDA)は、複雑な高次元データセットから埋め込みトポロジカル構造を抽出する一連のデータ解析ツールを提供する。 近年,tdaは信号処理,神経科学,ネットワーク分析など幅広い応用分野において,急速に成長している分野である。 これらのアプリケーションでは、変化のオンライン検出が重要であるが、高次元データストリーム内に低次元の埋め込みでこのような変化がしばしば発生するため、これは非常に困難である。 そこで我々は,TDA から学習したトポロジ構造を利用して変化を逐次検出する PERCEPT (Persistence diagram-based ChangE-PoinT Detection) という新しい手法を提案する。 PERCEPTは2つの重要なステップに従っている。まず、永続化ダイアグラムを通じてポイントクラウドとして組み込みトポロジを学習し、その後、結果のポイントクラウド分布の変化を検出するために非パラメトリックモニタリングアプローチを適用した。 これにより、高次元データストリームからのオンライン変更を効率的に検出できる非パラメトリックトポロジ対応フレームワークが得られる。 本研究では,データストリームが埋め込みトポロジ構造を持つ数値実験において,既存の手法に対するPERCEPTの有効性を検討する。 次に,太陽フレアモニタリングと人間のジェスチャー検出におけるPERCEPTの有用性を示す。

関連論文リスト

• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Topological Signal Processing using the Weighted Ordinal Partition Network [1.9594639581421422]
  トポロジカルデータ分析(TDA)は、データの形状と構造に関する情報を符号化する。 近年、トポロジカル信号処理(TSP)として知られる信号処理タスクにTDAのツールを活用するというアイデアが注目されている。 本稿では,重み付きOPNをTDAで解析するパイプラインを構築する。
  論文  参考訳（メタデータ） (2022-04-27T18:01:18Z)
• High dimensional change-point detection: a complete graph approach [0.0]
  低次元から高次元のオンラインデータから平均と分散の変化を検出するための完全なグラフベース変化点検出アルゴリズムを提案する。 グラフ構造に着想を得て,高次元データをメトリクスにマッピングするグラフスパンニング比を導入する。 提案手法は,小型かつ複数個のスキャニングウィンドウで高い検出能力を有し,オンライン環境における変化点のタイムリーな検出を可能にする。
  論文  参考訳（メタデータ） (2022-03-16T15:59:20Z)
• WATCH: Wasserstein Change Point Detection for High-Dimensional Time Series Data [4.228718402877829]
  変化点検出方法は、教師なしの方法で変化を検出する能力を持つ。 本稿では,ワッサーシュタイン距離に基づく変化点検出手法であるWATCHを提案する。 広範な評価により、WATCHは変化点を正確に識別し、最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2022-01-18T16:55:29Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Online Structural Change-point Detection of High-dimensional Streaming Data via Dynamic Sparse Subspace Learning [9.050841801109332]
  本研究では,高次元ストリーミングデータのオンライン構造変化点検出のための動的スパース部分空間学習手法を提案する。 新たな構造変化点モデルを提案し, 推定器の特性について検討した。 オンライン最適化と変更点検出のために,効率的なPruned Exact Linear Timeベースのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-24T14:16:18Z)

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。