論文の概要: A Log-Linear Non-Parametric Online Changepoint Detection Algorithm based
on Functional Pruning
- arxiv url: http://arxiv.org/abs/2302.02718v2
- Date: Thu, 11 Jan 2024 10:16:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-13 04:17:07.784093
- Title: A Log-Linear Non-Parametric Online Changepoint Detection Algorithm based
on Functional Pruning
- Title（参考訳）: 関数プルーニングに基づくログ線形非パラメトリックオンライン変更点検出アルゴリズム
- Authors: Gaetano Romano, Idris A Eckley, Paul Fearnhead
- Abstract要約: シーケンスの分布の変化を検出するために,フレキシブルな非パラメトリック手法を構築した。
機能的プルーニングのアイデアのおかげで、NP-FOCuSは観測回数の対数直線的な計算コストを持つ。
検出能力の面では、NP-FOCuSは様々な設定で現在の非パラメトリックオンライン変更ポイント技術より優れている。
- 参考スコア（独自算出の注目度）: 5.202524136984542
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online changepoint detection aims to detect anomalies and changes in
real-time in high-frequency data streams, sometimes with limited available
computational resources. This is an important task that is rooted in many
real-world applications, including and not limited to cybersecurity, medicine
and astrophysics. While fast and efficient online algorithms have been recently
introduced, these rely on parametric assumptions which are often violated in
practical applications. Motivated by data streams from the telecommunications
sector, we build a flexible nonparametric approach to detect a change in the
distribution of a sequence. Our procedure, NP-FOCuS, builds a sequential
likelihood ratio test for a change in a set of points of the empirical
cumulative density function of our data. This is achieved by keeping track of
the number of observations above or below those points. Thanks to functional
pruning ideas, NP-FOCuS has a computational cost that is log-linear in the
number of observations and is suitable for high-frequency data streams. In
terms of detection power, NP-FOCuS is seen to outperform current nonparametric
online changepoint techniques in a variety of settings. We demonstrate the
utility of the procedure on both simulated and real data.
- Abstract（参考訳）: オンライン変更ポイント検出は、高頻度のデータストリームにおける異常やリアルタイムの変化を検知することを目的としている。
これは、サイバーセキュリティ、医療、天体物理学などを含む、多くの現実世界のアプリケーションで根ざしている重要なタスクです。
高速で効率的なオンラインアルゴリズムが最近導入されたが、それらはパラメトリックな仮定に依存している。
電気通信部門のデータストリームに動機づけられ、シーケンスの分布の変化を検出するための柔軟な非パラメトリックなアプローチを構築します。
我々の手順であるNP-FOCuSは、データの経験的累積密度関数の点集合の変化に対する逐次的確率比テストを構築した。
これは、これらの点以上の観測回数を追跡することで達成される。
NP-FOCuSは機能的プルーニングのアイデアにより、観測回数の対数線形であり、高周波データストリームに適した計算コストを持つ。
検出能力の面では、NP-FOCuSは様々な設定で現在の非パラメトリックオンライン変更ポイント技術より優れている。
本手法はシミュレーションデータと実データの両方において有用性を示す。
関連論文リスト
- Low-rank extended Kalman filtering for online learning of neural
networks from streaming data [71.97861600347959]
非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。
この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。
変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
論文 参考訳（メタデータ） (2023-05-31T03:48:49Z) - Online Kernel CUSUM for Change-Point Detection [12.383181837411469]
本稿では,変化点検出のための計算効率の良いオンラインカーネルCumulative Sum (CUSUM) を提案する。
提案手法は,既存のカーネルベースの変更点検出法と比較して,小さな変更に対する感度の向上を示す。
論文 参考訳（メタデータ） (2022-11-28T05:08:30Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Online Changepoint Detection on a Budget [5.077509096253692]
変更ポイントは、基礎となるデータの分布の急激なバリエーションである。
本稿では,オフラインの切替点検出アルゴリズムと比較したオンライン切替点検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-01-11T00:20:33Z) - Transformers Can Do Bayesian Inference [56.99390658880008]
我々はPFN(Presideed Data Fitted Networks)を提案する。
PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。
我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
論文 参考訳（メタデータ） (2021-12-20T13:07:39Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Fast Online Changepoint Detection via Functional Pruning CUSUM
statistics [2.867517731896504]
関数型オンラインCuSUM(FOCuS)は、すべてのウィンドウサイズ、または変更サイズで可能なすべての値に対して、以前のメソッドを同時に実行することと等価である。
FOCuSが平均シナリオの様々な変化にどのように適用できるかを示し、その実用性を実証する。
論文 参考訳（メタデータ） (2021-10-15T17:08:06Z) - Fast and Robust Online Inference with Stochastic Gradient Descent via
Random Scaling [0.9806910643086042]
本稿では,勾配降下アルゴリズムの平均化法により推定されるパラメータのベクトルに対するオンライン推論法を提案する。
我々のアプローチはオンラインデータで完全に運用されており、機能中心極限定理によって厳格に支えられている。
論文 参考訳（メタデータ） (2021-06-06T15:38:37Z) - 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) - Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。
一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。
定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文 参考訳（メタデータ） (2020-04-04T14:16:27Z) - High-dimensional, multiscale online changepoint detection [7.502070498889449]
ガウス的データストリームが平均的に変更されるような設定において,高次元のオンライン変更点検出のための新しい手法を提案する。
このアルゴリズムは、新しい観測におけるストレージ要件と最悪の計算複雑性の両方が、以前の観測数とは無関係であるという意味で、オンラインである。
Rパッケージ 'ocd' に実装した提案手法の有効性をシミュレーションにより検証し,その有効性を地震学データセット上で実証する。
論文 参考訳（メタデータ） (2020-03-07T21:54:09Z)
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。