Fugu-MT 論文翻訳(概要): Usage of specific attention improves change point detection

論文の概要: Usage of specific attention improves change point detection

arxiv url: http://arxiv.org/abs/2204.08175v1
Date: Mon, 18 Apr 2022 06:05:50 GMT
ステータス: 処理完了
システム内更新日: 2022-04-19 21:48:31.371364
Title: Usage of specific attention improves change point detection
Title（参考訳）: 特定の注意の使用が変化点検出を改善する
Authors: Anna Dmitrienko, Evgenia Romanenkova, Alexey Zaytsev
Abstract要約: 本研究では,変化点検出タスクに対する異なる注意点と,その課題に関連する特定の注意形態を提案する。注意の特殊な形態を用いることで、最先端の成果よりも優れた結果が得られることを示す。
参考スコア（独自算出の注目度）: 1.0723143072368782
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: The change point is a moment of an abrupt alteration in the data distribution. Current methods for change point detection are based on recurrent neural methods suitable for sequential data. However, recent works show that transformers based on attention mechanisms perform better than standard recurrent models for many tasks. The most benefit is noticeable in the case of longer sequences. In this paper, we investigate different attentions for the change point detection task and proposed specific form of attention related to the task at hand. We show that using a special form of attention outperforms state-of-the-art results.
Abstract（参考訳）: 変更点(change point)は、データ分布が突然変化した瞬間である。変化点検出の現在の方法は、逐次データに適した繰り返しニューラル手法に基づいている。しかし,近年の研究では,アテンション機構に基づくトランスフォーマーが,多くのタスクに対して標準的なリカレントモデルよりも優れていることが示されている。最も大きな利点は、長いシーケンスの場合において顕著である。本稿では,変化点検出タスクの異なる注意点について検討し,その課題に関連する特定の注意形態を提案する。注意の特別な形式を用いることが,最先端の成果を上回っていることを示す。

関連論文リスト

Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
論文参考訳（メタデータ） (2024-09-20T07:41:47Z)
Enhancing Changepoint Detection: Penalty Learning through Deep Learning Techniques [2.094821665776961]
本研究では,ペナルティパラメータを予測するための新しいディープラーニング手法を提案する。これにより、大規模なベンチマーク管理されたラベル付きデータセットにおいて、明らかに変更点検出精度が向上する。
論文参考訳（メタデータ） (2024-08-01T18:10:05Z)
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)
Sequential Attention Source Identification Based on Feature Representation [88.05527934953311]
本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
論文参考訳（メタデータ） (2023-06-28T03:00:28Z)
Invariant Causal Mechanisms through Distribution Matching [86.07327840293894]
本研究では、因果的視点と不変表現を学習するための新しいアルゴリズムを提供する。実験により,このアルゴリズムは様々なタスク群でうまく動作し,特にドメインの一般化における最先端のパフォーマンスを観察する。
論文参考訳（メタデータ） (2022-06-23T12:06:54Z)
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)
Learning Sinkhorn divergences for supervised change point detection [24.30834981766022]
そこで本研究では,実測値学習の監督として,真の変化点インスタンスを用いた新しい変化点検出フレームワークを提案する。提案手法は,特徴選択と解釈の両方に有用であるスパース計量の学習に利用できる。
論文参考訳（メタデータ） (2022-02-08T17:11:40Z)
Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文参考訳（メタデータ） (2022-01-26T17:54:14Z)
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)
Deep learning approaches to Earth Observation change detection [0.0]
本稿では,畳み込みニューラルネットワークを利用して良好な結果を得る,変化検出(セマンティックセグメンテーションと分類)の2つのアプローチを提案する。本稿では,畳み込みニューラルネットワークを利用して良好な結果を得る,変化検出(セマンティックセグメンテーションと分類)のための2つのアプローチを提案する。
論文参考訳（メタデータ） (2021-07-13T14:34:59Z)
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)

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。