論文の概要: High dimensional change-point detection: a complete graph approach
- arxiv url: http://arxiv.org/abs/2203.08709v1
- Date: Wed, 16 Mar 2022 15:59:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 14:14:44.723447
- Title: High dimensional change-point detection: a complete graph approach
- Title（参考訳）: 高次元変化点検出法 : 完全グラフ法
- Authors: Yang-Wen Sun, Katerina Papagiannouli, Vladimir Spokoiny
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The aim of online change-point detection is for a accurate, timely discovery
of structural breaks. As data dimension outgrows the number of data in
observation, online detection becomes challenging. Existing methods typically
test only the change of mean, which omit the practical aspect of change of
variance. We propose a complete graph-based, change-point detection algorithm
to detect change of mean and variance from low to high-dimensional online data
with a variable scanning window. Inspired by complete graph structure, we
introduce graph-spanning ratios to map high-dimensional data into metrics, and
then test statistically if a change of mean or change of variance occurs.
Theoretical study shows that our approach has the desirable pivotal property
and is powerful with prescribed error probabilities. We demonstrate that this
framework outperforms other methods in terms of detection power. Our approach
has high detection power with small and multiple scanning window, which allows
timely detection of change-point in the online setting. Finally, we applied the
method to financial data to detect change-points in S&P 500 stocks.
- Abstract（参考訳）: オンラインの変更点検出の目的は、正確なタイムリーな構造破壊の発見である。
データ次元が観察中のデータ数を上回ると、オンライン検出が難しくなる。
既存の方法は通常平均変化のみをテストするが、これは分散の変化の実際的な側面を省略する。
本研究では,低次元から高次元のオンラインデータから平均値と分散値の変化を可変走査ウィンドウで検出する完全グラフベース変化点検出アルゴリズムを提案する。
完全なグラフ構造に触発されて,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し,平均変化や分散の変化が生じた場合に統計的にテストする。
理論的には,本手法は所望のピボット特性を有し,所定の誤差確率を持つ。
このフレームワークは検出能力において他の手法よりも優れていることを示す。
提案手法は,オンライン環境における変更点をタイムリーに検出できる小型・複数スキャニングウインドウによる高検出能力を有する。
最後に、s&p500種株価の変動点を検出するために金融データに適用した。
関連論文リスト
- Online Change Points Detection for Linear Dynamical Systems with Finite
Sample Guarantees [1.6026317505839445]
本研究では,未知の力学を持つ線形力学系に対するオンライン変化点検出問題について検討する。
我々は,誤報を発生させる確率に基づいて,予め指定された上限を達成できるデータ依存しきい値を開発する。
論文 参考訳（メタデータ） (2023-11-30T18:08:16Z) - Greedy online change point detection [0.0]
Greedy Online Change Point Detection (GOCPD) は、2つの独立したモデルの(時間的)連結から来るデータの確率を最大化することにより、変化点を求める計算上魅力的な方法である。
一つの変化点を持つ時系列の場合、この目的は不定意であり、対数複雑性を持つ3次探索によってCDDを高速化できることが示される。
論文 参考訳（メタデータ） (2023-08-14T08:59:59Z) - 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) - Deep learning model solves change point detection for multiple change
types [69.77452691994712]
変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。
本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
論文 参考訳（メタデータ） (2022-04-15T09:44:21Z) - 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) - 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) - 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) - Fast and Accurate Anomaly Detection in Dynamic Graphs with a Two-Pronged
Approach [49.25767340466445]
動的グラフにおける異常検出のためのオンラインアルゴリズムAnomRankを提案する。
AnomRank氏は、異常を示す2つの新しいメトリクスを定義する2段階のアプローチを使用している。
理論的,実験的に,この2つのアプローチが共通の2種類の異常の検出に成功していることを示す。
論文 参考訳（メタデータ） (2020-11-26T01:38:27Z) - 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) - Offline detection of change-points in the mean for stationary graph
signals [55.98760097296213]
グラフ信号定常性の概念に依存するオフライン手法を提案する。
我々の検出器は、漸近的でない不等式オラクルの証拠を伴っている。
論文 参考訳（メタデータ） (2020-06-18T15:51:38Z)
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。