論文の概要: Change Point Detection With Conceptors

• arxiv url: http://arxiv.org/abs/2308.06213v1
• Date: Fri, 11 Aug 2023 16:32:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-14 13:23:21.045244
• Title: Change Point Detection With Conceptors
• Title（参考訳）: コンセプタによる変化点検出
• Authors: Noah D. Gade and Jordan Rodu
• Abstract要約: 時系列の特定のトレーニングウィンドウの特徴力学を,概念行列を用いて学習する。 関連するランダムリカレントニューラルネットワークは、データのデファクトリライザとして機能する。 軽微な仮定の下では,本手法は真の変化点を一貫した推定値を与える。
• 参考スコア（独自算出の注目度）: 1.370633147306388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Offline change point detection seeks to identify points in a time series where the data generating process changes. This problem is well studied for univariate i.i.d. data, but becomes challenging with increasing dimension and temporal dependence. For the at most one change point problem, we propose the use of a conceptor matrix to learn the characteristic dynamics of a specified training window in a time series. The associated random recurrent neural network acts as a featurizer of the data, and change points are identified from a univariate quantification of the distance between the featurization and the space spanned by a representative conceptor matrix. This model agnostic method can suggest potential locations of interest that warrant further study. We prove that, under mild assumptions, the method provides a consistent estimate of the true change point, and quantile estimates for statistics are produced via a moving block bootstrap of the original data. The method is tested on simulations from several classes of processes, and we evaluate performance with clustering metrics, graphical methods, and observed Type 1 error control. We apply our method to publicly available neural data from rats experiencing bouts of non-REM sleep prior to exploration of a radial maze.
• Abstract（参考訳）: オフラインの変更点検出は、データ生成プロセスが変化する時系列内の点を特定する。 この問題は単変量、すなわちデータに対してよく研究されているが、次元の増大と時間的依存によって困難になる。 最大1つの変更点問題に対して, 時系列における特定のトレーニングウィンドウの特性ダイナミクスを学ぶために, コンセプタ行列を用いることを提案する。 関連するランダムリカレントニューラルネットワークは、データのフェータライザとして機能し、変化点を、フェータライズと代表的コンセプタ行列にまたがる空間との間の距離の不定量化から識別する。 このモデル非依存法は、さらなる研究を保証できる潜在的な興味のある場所を示唆することができる。 軽微な仮定では,本手法は真の変化点を一貫した推定値を提供し,統計量の定量推定は元のデータの移動ブロックブートストラップによって生成されることを証明した。 本手法は,複数のプロセスのシミュレーションで検証され,クラスタリングメトリクス,グラフィカルメソッド,観察されたType 1エラー制御による性能評価を行う。 本手法は,ラジアル迷路探索に先立ち,非REM睡眠を経験するラットの公開神経データに適用した。

関連論文リスト

• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは,ポイントマスク自動エンコーダのグローバルな特徴表現を強化する,自己教師型学習フレームワークである。 PseudoNeg-MAE は ModelNet40 と ScanObjectNN のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• Online Centralized Non-parametric Change-point Detection via Graph-based Likelihood-ratio Estimation [77.81487285123147]
  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。
  論文  参考訳（メタデータ） (2023-01-08T10:15:24Z)
• Deep learning model solves change point detection for multiple change types [69.77452691994712]
  変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。 本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-15T09:44:21Z)
• 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)
• Online Structural Change-point Detection of High-dimensional Streaming Data via Dynamic Sparse Subspace Learning [9.050841801109332]
  本研究では,高次元ストリーミングデータのオンライン構造変化点検出のための動的スパース部分空間学習手法を提案する。 新たな構造変化点モデルを提案し, 推定器の特性について検討した。 オンライン最適化と変更点検出のために,効率的なPruned Exact Linear Timeベースのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-24T14:16:18Z)
• 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)
• 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)
• Multinomial Sampling for Hierarchical Change-Point Detection [0.0]
  本稿では,検出率を向上し,遅延を低減する多項サンプリング手法を提案する。 実験の結果, 基準法よりも優れた結果が得られ, また, 人間の行動研究を指向した事例も提示した。
  論文  参考訳（メタデータ） (2020-07-24T09:18:17Z)

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。