論文の概要: Quickest Change Detection with Confusing Change

• arxiv url: http://arxiv.org/abs/2405.00842v1
• Date: Wed, 1 May 2024 20:10:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 20:32:52.665836
• Title: Quickest Change Detection with Confusing Change
• Title（参考訳）: 混乱した変化による急激な変化検出
• Authors: Yu-Zhen Janice Chen, Jinhang Zuo, Venugopal V. Veeravalli, Don Towsley,
• Abstract要約: この研究は、変化が悪い変化であるか、私たちが検出しようとしているか、あるいは混乱した変化である、というQCDの問題を研究します。 2つのCuSum統計を利用した新しいCuSum検出手法であるS-CuSumとJ-CuSumを提案する。 S-CuSum と J-CuSum は解析的性能保証を提供し,数値計算により検証する。
• 参考スコア（独自算出の注目度）: 26.769246781414545
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the problem of quickest change detection (QCD), a change occurs at some unknown time in the distribution of a sequence of independent observations. This work studies a QCD problem where the change is either a bad change, which we aim to detect, or a confusing change, which is not of our interest. Our objective is to detect a bad change as quickly as possible while avoiding raising a false alarm for pre-change or a confusing change. We identify a specific set of pre-change, bad change, and confusing change distributions that pose challenges beyond the capabilities of standard Cumulative Sum (CuSum) procedures. Proposing novel CuSum-based detection procedures, S-CuSum and J-CuSum, leveraging two CuSum statistics, we offer solutions applicable across all kinds of pre-change, bad change, and confusing change distributions. For both S-CuSum and J-CuSum, we provide analytical performance guarantees and validate them by numerical results. Furthermore, both procedures are computationally efficient as they only require simple recursive updates.
• Abstract（参考訳）: 最も急激な変化検出(QCD)問題では、独立な観測系列の分布において、ある未知の時間に変化が発生する。 この研究は、変化が悪い変化であるか、私たちが検出しようとしているか、あるいは混乱した変化である、というQCDの問題を研究します。 我々の目標は、事前変更や紛らわしい変更の誤報を発生させないで、可能な限り迅速に悪い変化を検出することです。 標準的なCuSum(Cumulative Sum)プロシージャの能力を超えた課題を提起する、事前変更、悪い変更、混乱した変更分布の特定のセットを特定します。 2つのCuSum統計を利用して、新しいCuSumベースの検出手順、S-CuSumとJ-CuSumを提案する。 S-CuSum と J-CuSum は解析的性能保証を提供し,数値計算により検証する。 さらに、どちらの手順も単純な再帰的更新だけを必要とするため、計算的に効率的である。

関連論文リスト

• Segment Any Change [64.23961453159454]
  本稿では、ゼロショット予測と、見えない変更タイプやデータ分布の一般化をサポートする新しいタイプの変更検出モデルを提案する。 AnyChangeは、トレーニング不要適応法、バイテンポラルラテントマッチングを通じてSAM(Se segment Any Model)上に構築されます。 また、AnyChangeのゼロショットオブジェクト中心の変更検出機能を有効にするためのポイントクエリ機構を提案する。
  論文  参考訳（メタデータ） (2024-02-02T07:17:39Z)
• Reducing sequential change detection to sequential estimation [42.460619457560334]
  本稿では, 逐次変化検出から信頼性系列を用いた逐次推定への簡単な削減について述べる。 平均ランニング長が少なくとも1/alpha$であることを証明する。
  論文  参考訳（メタデータ） (2023-09-16T23:48:47Z)
• Sequential change detection via backward confidence sequences [40.79325752924537]
  逐次的推定から逐次的変化点検出への簡単な削減を提案する。 誤報の頻度と検出遅延の頻度に強い漸近的保証を与える。
  論文  参考訳（メタデータ） (2023-02-06T03:03:24Z)
• E-detectors: a nonparametric framework for sequential change detection [86.15115654324488]
  逐次的変化検出のための基本的かつ汎用的なフレームワークを開発する。 私たちの手順は、平均走行距離のクリーンで無症状な境界が伴います。 統計的および計算効率の両方を達成するために,これらの混合物を設計する方法を示す。
  論文  参考訳（メタデータ） (2022-03-07T17:25:02Z)
• Cross-validation for change-point regression: pitfalls and solutions [0.0]
  その結果,2乗誤差損失を伴うクロスバリデーションの問題はより深刻であり,変更点数の体系的過小評価や過大評価につながる可能性が示唆された。 本稿では,これらの問題を解決するための2つの簡単なアプローチを提案する。 これらの条件は, 変更点数の誤った値が供給された場合, 性能上の新しい結果を用いて, 少なくとも2乗推定で満たされることを示す。
  論文  参考訳（メタデータ） (2021-12-06T18:23:12Z)
• 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)
• Balancing Rates and Variance via Adaptive Batch-Size for Stochastic Optimization Problems [120.21685755278509]
  本研究は,ステップサイズの減衰が正確な収束に必要であるという事実と,一定のステップサイズがエラーまでの時間でより速く学習するという事実のバランスをとることを目的とする。 ステップサイズのミニバッチを最初から修正するのではなく,パラメータを適応的に進化させることを提案する。
  論文  参考訳（メタデータ） (2020-07-02T16:02:02Z)
• Robust Sampling in Deep Learning [62.997667081978825]
  ディープラーニングは、オーバーフィッティングを減らし、一般化を改善するために正規化メカニズムを必要とする。 分散ロバスト最適化に基づく新しい正規化手法によりこの問題に対処する。 トレーニング中は、最悪のサンプルが最適化に最も貢献するものであるように、その正確性に応じてサンプルの選択が行われる。
  論文  参考訳（メタデータ） (2020-06-04T09:46:52Z)
• 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)
• Permutation Inference for Canonical Correlation Analysis [0.7646713951724012]
  正準相関に対する簡易な置換試験は, 誤差率の増大につながることを示す。 しかし、ニュアンス変数が存在しない場合、CCAの単純な置換テストは、最初の正準相関以外のすべての正準相関に対して過剰な誤差率をもたらす。 ここでは、残余が交換可能性を持つ低次元基底に変換されることが、有効な置換テストの結果であることを示す。
  論文  参考訳（メタデータ） (2020-02-24T02:47:01Z)

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。