論文の概要: Automatic Change-Point Detection in Time Series via Deep Learning
- arxiv url: http://arxiv.org/abs/2211.03860v1
- Date: Mon, 7 Nov 2022 20:59:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 15:53:17.025788
- Title: Automatic Change-Point Detection in Time Series via Deep Learning
- Title（参考訳）: 深層学習による時系列変化点の自動検出
- Authors: Jie Li, Paul Fearnhead, Piotr Fryzlewicz, Tengyao Wang
- Abstract要約: ニューラルネットワークのトレーニングに基づいて,新しい検出手法を自動生成する方法を示す。
本稿では,そのような手法の誤差率を定量化する理論について述べる。
また,加速度計データに基づく活動変化の検出と位置推定にも強い効果が得られた。
- 参考スコア（独自算出の注目度）: 9.132505368262418
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting change-points in data is challenging because of the range of
possible types of change and types of behaviour of data when there is no
change. Statistically efficient methods for detecting a change will depend on
both of these features, and it can be difficult for a practitioner to develop
an appropriate detection method for their application of interest. We show how
to automatically generate new detection methods based on training a neural
network. Our approach is motivated by many existing tests for the presence of a
change-point being able to be represented by a simple neural network, and thus
a neural network trained with sufficient data should have performance at least
as good as these methods. We present theory that quantifies the error rate for
such an approach, and how it depends on the amount of training data. Empirical
results show that, even with limited training data, its performance is
competitive with the standard CUSUM test for detecting a change in mean when
the noise is independent and Gaussian, and can substantially outperform it in
the presence of auto-correlated or heavy-tailed noise. Our method also shows
strong results in detecting and localising changes in activity based on
accelerometer data.
- Abstract（参考訳）: データにおける変更点の検出は、変更がない場合にデータの種類や動作のタイプが変更される可能性があるため、難しい。
統計的に効率的な変化検出手法はこれらの特徴の双方に依存しており、実践者が関心をそそる適切な検出方法を開発することは困難である。
ニューラルネットワークのトレーニングに基づいて,新しい検出手法を自動生成する方法を示す。
我々のアプローチは、変更点の存在を単純なニューラルネットワークで表現できるような既存の多くのテストによって動機付けられており、十分なデータでトレーニングされたニューラルネットワークは、これらの手法に匹敵するパフォーマンスを持つべきである。
このようなアプローチの誤り率を定量化する理論と、トレーニングデータの量に依存する方法を提案する。
実験結果によると, 訓練データに制限がある場合でも, ノイズが独立かつガウス的である場合の平均変化を検出するための標準CUSUMテストと競合し, オートコラージュノイズやヘビーテールノイズの存在下では著しく優れることがわかった。
また,加速度計データに基づく活動変化の検出と位置推定にも強い効果が得られた。
関連論文リスト
- Do You Remember? Overcoming Catastrophic Forgetting for Fake Audio
Detection [54.20974251478516]
本稿では,破滅的な忘れを克服するために,偽音声検出のための連続学習アルゴリズムを提案する。
検出ネットワークを微調整する場合,本手法では,真の発話と偽発話の比率に応じて,重み付けの方向を適応的に計算する。
本手法は,音声の感情認識などの関連分野に容易に一般化できる。
論文 参考訳（メタデータ） (2023-08-07T05:05:49Z) - Improving novelty detection with generative adversarial networks on hand
gesture data [1.3750624267664153]
本稿では,GAN(Generative Adversarial Network)フレームワークで訓練されたニューラルネットワーク(ANN)を用いた語彙外ジェスチャの分類方法を提案する。
生成モデルは、新しいサンプルとターゲットベクトルでオンライン形式でデータセットを拡大し、識別モデルはサンプルのクラスを決定する。
論文 参考訳（メタデータ） (2023-04-13T17:50:15Z) - Informative regularization for a multi-layer perceptron RR Lyrae
classifier under data shift [3.303002683812084]
本稿では,情報正規化とアドホックなトレーニング手法に基づくスケーラブルで容易に適応可能なアプローチを提案し,シフト問題を緩和する。
提案手法は,特徴量からの知識をニューラルネットワークに組み込むことで,基礎となるデータシフト問題を管理する。
論文 参考訳（メタデータ） (2023-03-12T02:49:19Z) - CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。
本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
論文 参考訳（メタデータ） (2022-06-01T03:02:07Z) - Score-Based Change Detection for Gradient-Based Learning Machines [9.670556223243182]
本稿では,経験的リスク最小化により学習した機械学習モデルの任意のコンポーネント数の変化を検出できる汎用的なスコアベース変化検出手法を提案する。
仮説テストの整合性を確立し、所定の誤報率を達成するためにそれを校正する方法を示す。
論文 参考訳（メタデータ） (2021-06-27T01:38:11Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-03-01T01:43:04Z) - Sequential Changepoint Detection in Neural Networks with Checkpoints [11.763229353978321]
本稿では,オンライン変化点検出と同時モデル学習のためのフレームワークを提案する。
次々に一般化された確率比テストを行うことにより、経時的に変化点を検出する。
オンラインベイズ変化点検出と比較して性能が向上した。
論文 参考訳（メタデータ） (2020-10-06T21:49:54Z) - Deep Active Learning in Remote Sensing for data efficient Change
Detection [26.136331738529243]
本研究では、変化検出とマップ更新のための深層ニューラルネットワークモデルの文脈におけるアクティブラーニングについて検討する。
アクティブな学習では、最小限のトレーニング例から始まり、ユーザによって注釈付けされた情報的サンプルを徐々に選択する。
能動学習は,高い情報的サンプルの発見に成功し,自動的にトレーニング分布のバランスをとることを示す。
論文 参考訳（メタデータ） (2020-08-25T17:58:17Z) - 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) - Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。
サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。
サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
論文 参考訳（メタデータ） (2020-06-11T16:19:16Z) - Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。
提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
論文 参考訳（メタデータ） (2020-02-11T21:08:06Z)
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。