論文の概要: Active Learning for Abrupt Shifts Change-point Detection via
Derivative-Aware Gaussian Processes
- arxiv url: http://arxiv.org/abs/2312.03176v1
- Date: Tue, 5 Dec 2023 22:44:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 16:41:40.635198
- Title: Active Learning for Abrupt Shifts Change-point Detection via
Derivative-Aware Gaussian Processes
- Title（参考訳）: 派生型ガウス過程による急激なシフト点検出のためのアクティブラーニング
- Authors: Hao Zhao, Rong Pan
- Abstract要約: 本稿では,変化点の特定を効果的に行うためにDACD法を提案する。
GP導出平均と分散を基準として、DACDは次のサンプリングデータポイントを順次選択する。
様々なシナリオにおけるDACD法の有効性について検討し、他のアクティブな学習変化点検出手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 8.584847547809368
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Change-point detection (CPD) is crucial for identifying abrupt shifts in
data, which influence decision-making and efficient resource allocation across
various domains. To address the challenges posed by the costly and
time-intensive data acquisition in CPD, we introduce the Derivative-Aware
Change Detection (DACD) method. It leverages the derivative process of a
Gaussian process (GP) for Active Learning (AL), aiming to pinpoint change-point
locations effectively. DACD balances the exploitation and exploration of
derivative processes through multiple data acquisition functions (AFs). By
utilizing GP derivative mean and variance as criteria, DACD sequentially
selects the next sampling data point, thus enhancing algorithmic efficiency and
ensuring reliable and accurate results. We investigate the effectiveness of
DACD method in diverse scenarios and show it outperforms other active learning
change-point detection approaches.
- Abstract（参考訳）: 変化点検出(CPD)は、さまざまな領域にわたる意思決定と効率的なリソース割り当てに影響を与えるデータの急激なシフトを特定するために重要である。
CPDにおける費用と時間を要するデータ取得による課題に対処するため,デリバティブ・アウェア・チェンジ検出法(DACD)を提案する。
アクティブラーニング(AL)のためのガウス過程(GP)の導出プロセスを活用し、変化点位置を効果的に特定することを目的としている。
DACDは、複数のデータ取得機能(AF)を通じて派生プロセスの活用と探索のバランスをとる。
GP導出平均と分散を基準として、DACDは次回のサンプリングデータポイントを順次選択し、アルゴリズム効率を向上し、信頼性と精度の確保を図る。
様々なシナリオにおけるDACD法の有効性について検討し、他のアクティブな学習変化点検出手法よりも優れていることを示す。
関連論文リスト
- Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。
本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。
GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
論文 参考訳（メタデータ） (2024-07-04T12:15:42Z) - Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。
提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-12-19T15:34:52Z) - Effective Restoration of Source Knowledge in Continual Test Time
Adaptation [44.17577480511772]
本稿では、動的環境におけるドメインシフトを識別できる教師なし領域変更検出手法を提案する。
情報源から知識を復元することにより、モデルパラメータの段階的劣化に起因する負の結果を効果的に補正する。
我々は,最先端の適応手法と比較して,提案手法の優れた性能を示すために,ベンチマークデータセットの広範な実験を行った。
論文 参考訳（メタデータ） (2023-11-08T19:21:48Z) - Greedy online change point detection [0.0]
Greedy Online Change Point Detection (GOCPD) は、2つの独立したモデルの(時間的)連結から来るデータの確率を最大化することにより、変化点を求める計算上魅力的な方法である。
一つの変化点を持つ時系列の場合、この目的は不定意であり、対数複雑性を持つ3次探索によってCDDを高速化できることが示される。
論文 参考訳（メタデータ） (2023-08-14T08:59:59Z) - Learning Better with Less: Effective Augmentation for Sample-Efficient
Visual Reinforcement Learning [57.83232242068982]
データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。
サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。
本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
論文 参考訳（メタデータ） (2023-05-25T15:46:20Z) - Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。
既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。
本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
論文 参考訳（メタデータ） (2023-03-16T17:52:45Z) - Detecting Change Intervals with Isolation Distributional Kernel [20.629723195973412]
我々はまず,CID(Change-Interval Detection)問題の特別な場合として,CDD問題を一般化する。
近年の分離分布カーネル(IDK)に基づくCID手法iCIDを提案する。
iCIDの有効性と効率は、合成データセットと実世界のデータセットの両方で体系的に検証されている。
論文 参考訳（メタデータ） (2022-12-30T10:56:56Z) - Variance-Aware Off-Policy Evaluation with Linear Function Approximation [85.75516599931632]
線形関数近似を用いた強化学習における非政治的評価問題について検討する。
本稿では,値関数の分散を推定し,フィルタQ-Iterationにおけるベルマン残差を再重み付けするアルゴリズムVA-OPEを提案する。
論文 参考訳（メタデータ） (2021-06-22T17:58:46Z) - Principled change point detection via representation learning [0.6047855579999899]
本稿では,CDDタスクの特異性を考慮した基本的微分可微分損失関数を提案する。
本稿では,深層表現学習CPDモデルの訓練のためのエンドツーエンド手法を提案する。
論文 参考訳（メタデータ） (2021-06-04T17:04:13Z) - Detection of Dataset Shifts in Learning-Enabled Cyber-Physical Systems
using Variational Autoencoder for Regression [1.5039745292757671]
回帰問題に対してデータセットシフトを効果的に検出する手法を提案する。
提案手法は帰納的共形異常検出に基づいており,回帰モデルに変分オートエンコーダを用いる。
自動運転車用オープンソースシミュレータに実装された高度緊急ブレーキシステムを用いて,本手法を実証する。
論文 参考訳（メタデータ） (2021-04-14T03:46:37Z) - 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)
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。