論文の概要: Online Centralized Non-parametric Change-point Detection via Graph-based
Likelihood-ratio Estimation
- arxiv url: http://arxiv.org/abs/2301.03011v2
- Date: Thu, 12 Jan 2023 08:51:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 13:50:57.091759
- Title: Online Centralized Non-parametric Change-point Detection via Graph-based
Likelihood-ratio Estimation
- Title（参考訳）: グラフに基づく確率比推定によるオンライン集中型非パラメトリック変化点検出
- Authors: Alejandro de la Concha and Argyris Kalogeratos and Nicolas Vayatis
- Abstract要約: グラフの各ノードを、ほぼリアルタイムで同期して観測されるデータストリームを生成するようにします。
変更ポイント$tau$では、変更はノードのサブセット$C$で発生し、関連するノードストリームの確率分布に影響を与える。
本稿では,ポストチェンジとノードストリームの事前変更分布の確率比の直接推定に基づいて,$tau$を検出して$C$をローカライズするカーネルベースの新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 77.81487285123147
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Consider each node of a graph to be generating a data stream that is
synchronized and observed at near real-time. At a change-point $\tau$, a change
occurs at a subset of nodes $C$, which affects the probability distribution of
their associated node streams. In this paper, we propose a novel kernel-based
method to both detect $\tau$ and localize $C$, based on the direct estimation
of the likelihood-ratio between the post-change and the pre-change
distributions of the node streams. Our main working hypothesis is the
smoothness of the likelihood-ratio estimates over the graph, i.e connected
nodes are expected to have similar likelihood-ratios. The quality of the
proposed method is demonstrated on extensive experiments on synthetic
scenarios.
- Abstract（参考訳）: グラフの各ノードを、ほぼリアルタイムで同期して観測されるデータストリームを生成するようにします。
変更点 $\tau$ において、変更は、関連するノードストリームの確率分布に影響を与える$c$ のサブセットで発生する。
本稿では,ノードストリームの変動後分布と変更前分布との相関の直接推定に基づいて,$\tau$ の検出と$c$ のローカライズを行う新しいカーネルベース手法を提案する。
我々の主要な作業仮説は、グラフ上の確率比の推定の滑らかさであり、すなわち、連結ノードも同様の確率比を持つことが期待されている。
提案手法の品質は, 合成シナリオに関する広範囲な実験で実証された。
関連論文リスト
- GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - Backward and Forward Inference in Interacting Independent-Cascade
Processes: A Scalable and Convergent Message-Passing Approach [1.1470070927586018]
本研究では,ネットワーク上に並列に分散する2つの拡散過程の過去と将来の進化を推定する問題について検討する。
ネットワークの初期状態と観測ショット$mathcalO_n$の正確な結合確率を導出する。
論文 参考訳（メタデータ） (2023-10-29T20:03:38Z) - Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF)
我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。
我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
論文 参考訳（メタデータ） (2022-05-28T15:37:03Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T15:54:35Z) - Online non-parametric change-point detection for heterogeneous data
streams observed over graph nodes [79.94639436527454]
本稿では,各ノードのデータストリームに関連付けられた後変化分布と前変化分布の確率比の直接推定に基づいて,$tau$を推定するオンラインノンパラメトリック手法を提案する。
合成実験と実世界の応用について,本手法の質を実証する。
論文 参考訳（メタデータ） (2021-10-20T12:10:15Z) - Learning Representations using Spectral-Biased Random Walks on Graphs [18.369974607582584]
このプロセスにおける確率バイアスが、プロセスによって選択されたノードの品質にどの程度影響するかを調査する。
我々は、この近傍を正規化ラプラス行列として表されるノードの近傍部分グラフのスペクトルに基づく確率測度として簡潔に捉えた。
我々は,様々な実世界のデータセット上で,最先端ノード埋め込み技術に対する我々のアプローチを実証的に評価した。
論文 参考訳（メタデータ） (2020-05-19T20:42:43Z) - Fully Asynchronous Policy Evaluation in Distributed Reinforcement
Learning over Networks [14.636457985379746]
本稿では,有向ピアツーピアネットワーク上での分散強化学習(DisRL)のポリシー評価問題に対する非同期手法を提案する。
ネットワークの他のノードを待つことなく、各ノードは隣人からの(おそらく遅れた)情報を使用して、いつでもローカルに値関数を更新できる。
論文 参考訳（メタデータ） (2020-03-01T08:12:08Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。