Fugu-MT 論文翻訳(概要): Deep learning model solves change point detection for multiple change types

論文の概要: Deep learning model solves change point detection for multiple change types

arxiv url: http://arxiv.org/abs/2204.07403v1
Date: Fri, 15 Apr 2022 09:44:21 GMT
ステータス: 処理完了
システム内更新日: 2022-04-18 18:20:39.878931
Title: Deep learning model solves change point detection for multiple change types
Title（参考訳）: 深層学習モデルが複数の変化型に対する変化点検出を解く
Authors: Alexander Stepikin, Evgenia Romanenkova, Alexey Zaytsev
Abstract要約: 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。
参考スコア（独自算出の注目度）: 69.77452691994712
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: A change points detection aims to catch an abrupt disorder in data distribution. Common approaches assume that there are only two fixed distributions for data: one before and another after a change point. Real-world data are richer than this assumption. There can be multiple different distributions before and after a change. We propose an approach that works in the multiple-distributions scenario. Our approach learn representations for semi-structured data suitable for change point detection, while a common classifiers-based approach fails. Moreover, our model is more robust, when predicting change points. The datasets used for benchmarking are sequences of images with and without change points in them.
Abstract（参考訳）: 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。一般的なアプローチでは、データの固定分布は2つしかないと仮定している。現実世界のデータはこの仮定よりも豊かだ。変更前後に複数の異なる分布が存在する可能性がある。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。提案手法は,変化点検出に適した半構造化データの表現を学習する一方で,共通分類器に基づくアプローチは失敗する。さらに、我々のモデルは変化点を予測するときにより堅牢です。ベンチマークに使用されるデータセットは、変更点のない画像のシーケンスである。

関連論文リスト

Causal Discovery-Driven Change Point Detection in Time Series [32.424281626708336]
時系列における変化点検出は、時系列の確率分布が変化する時間を特定する。実践的な応用では、時系列の特定の構成要素にのみ興味を持ち、その分布の急激な変化を探求する。
論文参考訳（メタデータ） (2024-07-10T00:54:42Z)
Stylist: Style-Driven Feature Ranking for Robust Novelty Detection [8.402607231390606]
本稿では,タスクに関連する意味的・内容的変化と,無関係なスタイル的変化に分離する形式化を提案する。この形式化の中で、ロバストな新規性検出を、スタイルの分布シフトに頑健でありながら意味的変化を見つけるタスクとして定義する。提案手法は, 相関関係に係わる特徴を除去し, 新規検出性能を向上することを示す。
論文参考訳（メタデータ） (2023-10-05T17:58:32Z)
Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文参考訳（メタデータ） (2023-08-31T05:05:53Z)
Change Point Detection with Conceptors [0.6526824510982799]
オフラインの変更点検出は、時系列内の変更点を振り返って特定する。平均と分散の変化を対象とする多くの非パラメトリック手法は、非線形時間依存の存在下では失敗する。本稿では,任意の依存構造を持つベースライン学習窓の特性を学習するための概念行列を提案する。関連するエコー状態ネットワークはデータのデファシライザとして機能し、特徴間の相互作用の性質とベースライン状態との関係から変化点を識別する。
論文参考訳（メタデータ） (2023-08-11T16:32:00Z)
Project and Probe: Sample-Efficient Domain Adaptation by Interpolating Orthogonal Features [119.22672589020394]
多様な特徴の集合を学習し,これらの特徴を補間することによって対象分布に適応する,軽量でサンプル効率のよい手法を提案する。複数の分散シフト設定を持つ4つのデータセットに対する実験により、Pro$2$は、限られたターゲットデータが与えられた場合、パフォーマンスを5～15%向上することが示された。
論文参考訳（メタデータ） (2023-02-10T18:58:03Z)
Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文参考訳（メタデータ） (2021-07-07T15:50:18Z)
Principled change point detection via representation learning [0.6047855579999899]
本稿では,CDDタスクの特異性を考慮した基本的微分可微分損失関数を提案する。本稿では,深層表現学習CPDモデルの訓練のためのエンドツーエンド手法を提案する。
論文参考訳（メタデータ） (2021-06-04T17:04:13Z)
Detection of data drift and outliers affecting machine learning model performance over time [5.319802998033767]
ドリフトはトレーニングとデプロイメントデータ間の分散変更である。これらの変更を検出したいのですが、デプロイメントデータラベルなしでは正確さを計測できません。代わりに、変更に対するモデル予測の信頼性の分布を非パラメトリックにテストすることで間接的にドリフトを検出する。
論文参考訳（メタデータ） (2020-12-16T20:50:12Z)
Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文参考訳（メタデータ） (2020-02-27T10:22:17Z)
Generalized ODIN: Detecting Out-of-distribution Image without Learning from Out-of-distribution Data [87.61504710345528]
我々は,OoD検出性能を改善しつつ,ニューラルネットワークをOoDデータのチューニングから解放する2つの方法を提案する。具体的には、信頼性スコアリングと修正された入力前処理法を分離することを提案する。大規模画像データセットのさらなる解析により、セマンティックシフトと非セマンティックシフトの2種類の分布シフトが有意な差を示すことが示された。
論文参考訳（メタデータ） (2020-02-26T04:18:25Z)

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。