Fugu-MT 論文翻訳(概要): Novelty Detection in Time Series via Weak Innovations Representation: A Deep Learning Approach

論文の概要: Novelty Detection in Time Series via Weak Innovations Representation: A Deep Learning Approach

arxiv url: http://arxiv.org/abs/2210.13358v1
Date: Mon, 24 Oct 2022 16:01:46 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 15:34:00.989166
Title: Novelty Detection in Time Series via Weak Innovations Representation: A Deep Learning Approach
Title（参考訳）: 弱みの革新表現による時系列の新規性検出:深層学習アプローチ
Authors: Xinyi Wang, Mei-jen Lee, Qing Zhao, Lang Tong
Abstract要約: 未知および非パラメトリックな確率構造を持つ時系列における新規性検出について考察する。時系列の過去のすべてのサンプルから統計的に独立した新規サンプルからなるイノベーションシーケンスを因果的に抽出する深層学習手法を提案する。革新系列の確率構造における新しい変化をオンラインで検出するための新規性検出アルゴリズムを開発した。
参考スコア（独自算出の注目度）: 29.255644836978956
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider novelty detection in time series with unknown and nonparametric probability structures. A deep learning approach is proposed to causally extract an innovations sequence consisting of novelty samples statistically independent of all past samples of the time series. A novelty detection algorithm is developed for the online detection of novel changes in the probability structure in the innovations sequence. A minimax optimality under a Bayes risk measure is established for the proposed novelty detection method, and its robustness and efficacy are demonstrated in experiments using real and synthetic datasets.
Abstract（参考訳）: 未知および非パラメトリックな確率構造を持つ時系列における新規性検出について考察する。時系列の過去のすべてのサンプルから統計的に独立した新規サンプルからなるイノベーションシーケンスを因果的に抽出する深層学習手法を提案する。革新系列の確率構造における新しい変化をオンラインで検出するための新規性検出アルゴリズムを開発した。提案手法の新規性検出のためにベイズリスク尺度に基づく最小限の最適性を確立し, 実データと合成データを用いた実験でその堅牢性と有効性を示す。

関連論文リスト

Unsupervised Novelty Detection Methods Benchmarking with Wavelet Decomposition [0.22369578015657962]
新規性検出のための教師なし機械学習アルゴリズムを比較する。新しいデータセットは、特定の周波数で振動するアクチュエータから収集され、アルゴリズムをベンチマークし、フレームワークを評価する。本研究は,実世界の新規性検出アプリケーションにおける教師なし学習技術の適応性と堅牢性に関する貴重な知見を提供する。
論文参考訳（メタデータ） (2024-09-11T09:31:28Z)
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)
Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文参考訳（メタデータ） (2024-03-02T00:56:05Z)
Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
論文参考訳（メタデータ） (2023-12-05T09:44:47Z)
Adaptive Fake Audio Detection with Low-Rank Model Squeezing [50.7916414913962]
ファインタニングのような従来の手法は計算集約的であり、既知の偽音声タイプの知識を損なう危険性がある。本稿では,新たに登場したニセモノ音声タイプに特化して,低ランク適応行列をトレーニングするコンセプトを紹介する。当社のアプローチには,ストレージメモリ要件の削減やエラー率の低下など,いくつかのメリットがあります。
論文参考訳（メタデータ） (2023-06-08T06:06:42Z)
Adaptive novelty detection with false discovery rate guarantee [1.8249324194382757]
有限標本における検出された新規性に対する偽発見率(FDR)を柔軟に制御する手法を提案する。複数のテスト文献に触発されて、nullの割合に適応するAdaDetectの変種を提案する。これらの手法は、天体物理学の応用を含む、合成データセットと実世界のデータセットに説明される。
論文参考訳（メタデータ） (2022-08-13T17:14:55Z)
Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
論文参考訳（メタデータ） (2022-05-28T02:02:53Z)
A Unifying Theory of Thompson Sampling for Continuous Risk-Averse Bandits [91.3755431537592]
本稿では,多腕バンディット問題に対するリスク-逆トンプソンサンプリングアルゴリズムの解析を統一する。大規模偏差理論における収縮原理を用いることで、連続リスク汎関数に対する新しい濃度境界が証明される。リスク関数の幅広いクラスと「ニセ」関数が連続性条件を満たすことを示す。
論文参考訳（メタデータ） (2021-08-25T17:09:01Z)
Bandit Quickest Changepoint Detection [55.855465482260165]
すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
論文参考訳（メタデータ） (2021-07-22T07:25:35Z)
Continual Novelty Detection [37.43667292607965]
連続学習は新規性検出アルゴリズムの動作に影響を及ぼし、新規性検出は連続学習者の動作に関する洞察を特定できることを示す。この2つの問題の結合は、ビジョンモデルを実践するための有望な方向であると考えています。
論文参考訳（メタデータ） (2021-06-24T12:30:41Z)

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。