論文の概要: Time-Varying Correlation Networks for Interpretable Change Point Detection

• arxiv url: http://arxiv.org/abs/2211.03991v1
• Date: Tue, 8 Nov 2022 04:04:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 16:46:51.933933
• Title: Time-Varying Correlation Networks for Interpretable Change Point Detection
• Title（参考訳）: 解釈可能な変化点検出のための時変相関ネットワーク
• Authors: Kopal Garg and Sana Tonekaboni and Anna Goldenberg
• Abstract要約: 変化点検出(CPD)法は,時系列データの急激な変化を検出することを目的としている。 近年のCDD法は、基礎となる統計分布の変化を識別する可能性を示しているが、時系列データにおける相関構造の複雑な変化を捉えることができないことが多い。 そこで我々は,時間とともに変化する特徴間の相関パターンの変化を識別するために,時間変化のグラフィカルなラッソ法を用いたCDD手法TiVaCPDを提案する。
• 参考スコア（独自算出の注目度）: 11.958132175629363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Change point detection (CPD) methods aim to detect abrupt changes in time-series data. Recent CPD methods have demonstrated their potential in identifying changes in underlying statistical distributions but often fail to capture complex changes in the correlation structure in time-series data. These methods also fail to generalize effectively, as even within the same time-series, different kinds of change points (CPs) may arise that are best characterized by different types of time-series perturbations. To address this issue, we propose TiVaCPD, a CPD methodology that uses a time-varying graphical lasso based method to identify changes in correlation patterns between features over time, and combines that with an aggregate Kernel Maximum Mean Discrepancy (MMD) test to identify subtle changes in the underlying statistical distributions of dynamically established time windows. We evaluate the performance of TiVaCPD in identifying and characterizing various types of CPs in time-series and show that our method outperforms current state-of-the-art CPD methods for all categories of CPs.
• Abstract（参考訳）: 変化点検出(CPD)法は,時系列データの急激な変化を検出することを目的としている。 近年のCDD法は、基礎となる統計分布の変化を識別する可能性を示しているが、時系列データにおける相関構造の複雑な変化を捉えることができないことが多い。 これらの手法は、同じ時系列内であっても、異なる種類の変化点(CP)が出現し、異なるタイプの時系列摂動によって最も特徴付けられる。 この問題に対処するために,時間変化のグラフィカルなラッソ法を用いて特徴間の相関パターンの変化を時間とともに同定するCDD手法であるTiVaCPDを提案し,その組み合わせとして,動的に確立された時間ウィンドウの統計的分布の微妙な変化を同定するKernel Maximum Mean Discrepancy(MMD)テストを提案する。 時系列における様々なタイプのCPの識別と特徴付けにおけるTiVaCPDの性能評価を行い,提案手法がCPのすべてのカテゴリにおける現在のCPD法より優れていることを示す。

関連論文リスト

• TiVaT: Joint-Axis Attention for Time Series Forecasting with Lead-Lag Dynamics [5.016178141636157]
  TiVaT(Time-Variable Transformer)は、時間と変数の依存関係を統合する新しいアーキテクチャである。 TiVaTは、さまざまなデータセットに対して、一貫して強力なパフォーマンスを提供する。 これによってTiVaTは、特に複雑で困難な依存関係を特徴とするデータセットの処理において、MTS予測の新しいベンチマークとして位置づけられる。
  論文  参考訳（メタデータ） (2024-10-02T13:24:24Z)
• Bayesian Autoregressive Online Change-Point Detection with Time-Varying Parameters [0.8192907805418583]
  現実世界のシステムにおける変化点は、システムの力学における重要な状態変化を示す。 本稿では,一変量時系列を用いたオンライン変化点検出手法を提案する。 時間的依存関係と時間的パラメータをモデル化することにより、推定精度と予測能力の両方を高めることができる。
  論文  参考訳（メタデータ） (2024-07-23T10:57:13Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
  本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。 以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。 本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:33Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• 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)
• Time Series Change Point Detection with Self-Supervised Contrastive Predictive Coding [7.60848038196539]
  本稿では,Contrastive Predictive Code(TS-CP2)に基づく自己教師型時系列変化点検出手法を提案する。 TS-CP2は、時間にまたがる間隔の組込み対と時間にまたがる間隔の組込み対を分離する組込み表現を学習することで、CDDの対照的な学習戦略を採用する最初のアプローチである。
  論文  参考訳（メタデータ） (2020-11-28T09:36:18Z)
• 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)
• Correlation-aware Unsupervised Change-point Detection via Graph Neural Networks [37.68666658785003]
  変化点検出(CPD)は、時系列データによる急激な変化を検出することを目的としている。 既存のCDDメソッドは依存構造を完全に無視するか、あるいは相関構造が時間とともに静的であるという(非現実的な)仮定に依存している。 本稿では,変数の相関構造とダイナミクスを明示的にモデル化したCPDのための相関対応ダイナミクスモデルを提案する。
  論文  参考訳（メタデータ） (2020-04-24T18:28:57Z)

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。