論文の概要: Partially-Observable Sequential Change-Point Detection for Autocorrelated Data via Upper Confidence Region
- arxiv url: http://arxiv.org/abs/2404.00220v1
- Date: Sat, 30 Mar 2024 02:32:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 06:46:13.624871
- Title: Partially-Observable Sequential Change-Point Detection for Autocorrelated Data via Upper Confidence Region
- Title（参考訳）: 上部信頼領域を経由した自己相関データの部分観測可能な逐次変化点検出
- Authors: Haijie Xu, Xiaochen Xian, Chen Zhang, Kaibo Liu,
- Abstract要約: 逐次変化点検出のための状態空間モデル(AUCRSS)を用いたアダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・
SSMのオンライン推論のために部分的に観測可能なカルマンフィルタアルゴリズムを開発し、一般化された確率比テストに基づく変化点検出スキームを解析する。
- 参考スコア（独自算出の注目度）: 12.645304808491309
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sequential change point detection for multivariate autocorrelated data is a very common problem in practice. However, when the sensing resources are limited, only a subset of variables from the multivariate system can be observed at each sensing time point. This raises the problem of partially observable multi-sensor sequential change point detection. For it, we propose a detection scheme called adaptive upper confidence region with state space model (AUCRSS). It models multivariate time series via a state space model (SSM), and uses an adaptive sampling policy for efficient change point detection and localization. A partially-observable Kalman filter algorithm is developed for online inference of SSM, and accordingly, a change point detection scheme based on a generalized likelihood ratio test is developed. How its detection power relates to the adaptive sampling strategy is analyzed. Meanwhile, by treating the detection power as a reward, its connection with the online combinatorial multi-armed bandit (CMAB) problem is formulated and an adaptive upper confidence region algorithm is proposed for adaptive sampling policy design. Theoretical analysis of the asymptotic average detection delay is performed, and thorough numerical studies with synthetic data and real-world data are conducted to demonstrate the effectiveness of our method.
- Abstract（参考訳）: 多変量自己相関データの逐次変化点検出は、実際には非常に一般的な問題である。
しかし、センシングリソースが限られている場合、各センシング時点において多変量系の変数のサブセットしか観測できない。
これにより、部分的に観測可能なマルチセンサシーケンシャルな変化点検出の問題を提起する。
そこで本稿では,状態空間モデル(AUCRSS)を用いたアダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・ア
状態空間モデル(SSM)を介して多変量時系列をモデル化し、適応サンプリングポリシーを用いて効率的な変化点検出と局所化を行う。
SSMのオンライン推論のための部分観測可能なカルマンフィルタアルゴリズムを開発し、一般化された確率比テストに基づく変化点検出スキームを開発する。
その検出能力が適応サンプリング戦略とどのように関係するかを解析する。
一方、検出パワーを報酬として扱うことにより、オンライン組合せ多重武装バンドイット(CMAB)問題との接続を定式化し、適応型サンプリングポリシー設計のために適応型上位信頼領域アルゴリズムを提案する。
漸近平均検出遅延の理論的解析を行い、合成データと実世界のデータを用いた徹底的な数値計算を行い、本手法の有効性を実証した。
関連論文リスト
- Reproduction of scan B-statistic for kernel change-point detection algorithm [10.49860279555873]
変化点検出は、幅広い応用のために大きな注目を集めている。
本稿では,カーネルベースの効率的なスキャンB統計に基づくオンライン変更点検出アルゴリズムを最近提案した。
数値実験により, 走査型B統計が常に優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2024-08-23T15:12:31Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Change-Point Detection in Industrial Data Streams based on Online Dynamic Mode Decomposition with Control [5.293458740536858]
オンライン動的モード分解制御(ODMDwC)に基づく新しい変化点検出手法を提案する。
本手法は,Singular-Value-Decomposition法と比較して,直感的かつ優れた検出結果が得られることを示す。
論文 参考訳（メタデータ） (2024-07-08T14:18:33Z) - 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) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - Adaptable and Interpretable Framework for Novelty Detection in Real-Time
IoT Systems [0.609170287691728]
RAIDアルゴリズムは、データドリフトやモデル開発中に考慮されない変更点などの非定常効果に適応する。
RAIDアルゴリズムは、既存のプロセス自動化インフラストラクチャの変更を必要としないため、異なるドメインにまたがって高度にデプロイできる。
論文 参考訳（メタデータ） (2023-04-06T09:16:37Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Unsupervised Change Detection using DRE-CUSUM [14.73895038690252]
DRE-CUSUMは、時系列データの統計的変化を決定するために、教師なし密度比推定(DRE)に基づく手法である。
本稿では,統計的変化を確実に検出できることを示す理論的正当性および精度保証を示す。
我々は、既存の最先端の教師なしアルゴリズムよりも、合成データセットと実世界のデータセットの両方を用いて、DRE-CUSUMの優位性を実験的に示す。
論文 参考訳（メタデータ） (2022-01-27T17:25:42Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - 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)
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。