論文の概要: Adaptive Bernstein Change Detector for High-Dimensional Data Streams

• arxiv url: http://arxiv.org/abs/2306.12974v1
• Date: Thu, 22 Jun 2023 15:35:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-23 13:55:54.912742
• Title: Adaptive Bernstein Change Detector for High-Dimensional Data Streams
• Title（参考訳）: 高次元データストリームに対する適応ベルンシュタイン変化検出器
• Authors: Marco Heyden, Edouard Fouch\'e, Vadim Arzamasov, Tanja Fenn, Florian Kalinke, Klemens B\"ohm
• Abstract要約: ABCDは高次元データの変化を検出する新しい方法である。 ABCDはエンコーダ・デコーダモデルを学び、その精度を適応サイズのウィンドウ上で監視する。 また、変化の部分空間を正確に推定し、基底の真理と相関する重大度測度と共に推定することもできる。
• 参考スコア（独自算出の注目度）: 1.4680035572775534
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Change detection is of fundamental importance when analyzing data streams. Detecting changes both quickly and accurately enables monitoring and prediction systems to react, e.g., by issuing an alarm or by updating a learning algorithm. However, detecting changes is challenging when observations are high-dimensional. In high-dimensional data, change detectors should not only be able to identify when changes happen, but also in which subspace they occur. Ideally, one should also quantify how severe they are. Our approach, ABCD, has these properties. ABCD learns an encoder-decoder model and monitors its accuracy over a window of adaptive size. ABCD derives a change score based on Bernstein's inequality to detect deviations in terms of accuracy, which indicate changes. Our experiments demonstrate that ABCD outperforms its best competitor by at least 8% and up to 23% in F1-score on average. It can also accurately estimate changes' subspace, together with a severity measure that correlates with the ground truth.
• Abstract（参考訳）: データストリームを分析する場合、変更検出は根本的な重要性を持つ。 変更の検出は、アラームの発行や学習アルゴリズムの更新などによって、迅速かつ正確に監視および予測システムが反応することを可能にする。 しかし、観測が高次元の場合、変化の検出は困難である。 高次元データでは、変化検出器は変化がいつ起こるかだけでなく、どの部分空間で起こるかも特定できなければならない。 理想的には、それがどれほど厳しいかも定量化する必要がある。 我々のアプローチであるABCDはこれらの特性を持っている。 ABCDはエンコーダ・デコーダモデルを学び、その精度を適応サイズのウィンドウ上で監視する。 abcdは、バーンスタインの不等式に基づく変化スコアを導出して、変化を示す精度の偏差を検出する。 実験の結果,ABCDはF1スコアの平均で8%以上,F1スコアでは23%以上の成績を示した。 また、変化の部分空間を正確に推定し、基底の真理と相関する重大度測度と共に推定することもできる。

関連論文リスト

• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Automatic Change-Point Detection in Time Series via Deep Learning [8.43086628139493]
  ニューラルネットワークのトレーニングに基づいて,新しいオフライン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。
  論文  参考訳（メタデータ） (2022-11-07T20:59:14Z)
• High dimensional change-point detection: a complete graph approach [0.0]
  低次元から高次元のオンラインデータから平均と分散の変化を検出するための完全なグラフベース変化点検出アルゴリズムを提案する。 グラフ構造に着想を得て,高次元データをメトリクスにマッピングするグラフスパンニング比を導入する。 提案手法は,小型かつ複数個のスキャニングウィンドウで高い検出能力を有し,オンライン環境における変化点のタイムリーな検出を可能にする。
  論文  参考訳（メタデータ） (2022-03-16T15:59:20Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Exploring Covariate and Concept Shift for Detection and Calibration of Out-of-Distribution Data [77.27338842609153]
  キャラクタリゼーションにより、OODデータの検出と信頼性校正には、それぞれのシフトに対する感度が重要であることが明らかになった。 分布内データのみを用いて両シフトでのOOD検出を改善するために,幾何学的に着想を得た手法を提案する。 我々は,OOD検出とキャリブレーションの両面で,異なるタイプのシフトの下でうまく機能する手法を最初に提案する。
  論文  参考訳（メタデータ） (2021-10-28T15:42:55Z)
• Learning High-Precision Bounding Box for Rotated Object Detection via Kullback-Leibler Divergence [100.6913091147422]
  既存の回転物体検出器は、主に水平検出パラダイムから受け継がれている。 本稿では,回転回帰損失の設計を帰納パラダイムから導出手法に変更することを目的としている。
  論文  参考訳（メタデータ） (2021-06-03T14:29:19Z)
• Detection of data drift and outliers affecting machine learning model performance over time [5.319802998033767]
  ドリフトはトレーニングとデプロイメントデータ間の分散変更である。 これらの変更を検出したいのですが、デプロイメントデータラベルなしでは正確さを計測できません。 代わりに、変更に対するモデル予測の信頼性の分布を非パラメトリックにテストすることで間接的にドリフトを検出する。
  論文  参考訳（メタデータ） (2020-12-16T20:50:12Z)
• Kernel Anomalous Change Detection for Remote Sensing Imagery [9.925434709337765]
  リモートセンシング画像処理において,異常変化検出(ACD)が重要な課題である。 本稿では, 異常変動検出器の完全ファミリーの非線形拡張を紹介する。 干ばつ、山火事、都市化など、さまざまな状況が実際の例で研究されています。
  論文  参考訳（メタデータ） (2020-12-09T08:57:36Z)
• Partially Observable Online Change Detection via Smooth-Sparse Decomposition [16.8028358824706]
  本研究は,センサ容量の制限により,各センシング時点におけるデータストリームのサブセットのみを観測できる,疎度な変化を伴う高次元データストリームのオンライン変化検出について考察する。 一方、検出方式は、部分的に観測可能なデータを扱うことができ、一方、スパース変化に対する効率的な検出能力を有するべきである。 本稿では,CDSSDと呼ばれる新しい検出手法を提案する。特にスムーズな分解によるスムーズな変化を伴う高次元データの構造について述べる。
  論文  参考訳（メタデータ） (2020-09-22T16:03:04Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Optimal Change-Point Detection with Training Sequences in the Large and Moderate Deviations Regimes [72.68201611113673]
  本稿では,情報理論の観点から,新しいオフライン変化点検出問題について検討する。 基礎となる事前および変更後分布の知識は分かっておらず、利用可能なトレーニングシーケンスからのみ学習できると仮定する。
  論文  参考訳（メタデータ） (2020-03-13T23:39:40Z)

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。