論文の概要: Robust Score-Based Quickest Change Detection

• arxiv url: http://arxiv.org/abs/2407.11094v1
• Date: Mon, 15 Jul 2024 01:53:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 19:50:52.996026
• Title: Robust Score-Based Quickest Change Detection
• Title（参考訳）: ロバストスコアに基づくクイックチェンジ検出
• Authors: Sean Moushegian, Suya Wu, Enmao Diao, Jie Ding, Taposh Banerjee, Vahid Tarokh,
• Abstract要約: 最も速い変化検出の分野における手法は、オンラインデータストリームのデータ生成分布の変化をリアルタイムで迅速に検出する。 最近の研究は、これらの結果を、前値と後値の分布がスコア関数によってのみ知られているケースにまで拡張している。 この研究は、既存のスコアベースのクイックチェンジ検出アルゴリズムを堅牢化するために、"最も好ましくない"2つの分布を用いる。
• 参考スコア（独自算出の注目度）: 32.125411844391195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Methods in the field of quickest change detection rapidly detect in real-time a change in the data-generating distribution of an online data stream. Existing methods have been able to detect this change point when the densities of the pre- and post-change distributions are known. Recent work has extended these results to the case where the pre- and post-change distributions are known only by their score functions. This work considers the case where the pre- and post-change score functions are known only to correspond to distributions in two disjoint sets. This work employs a pair of "least-favorable" distributions to robustify the existing score-based quickest change detection algorithm, the properties of which are studied. This paper calculates the least-favorable distributions for specific model classes and provides methods of estimating the least-favorable distributions for common constructions. Simulation results are provided demonstrating the performance of our robust change detection algorithm.
• Abstract（参考訳）: 最も速い変化検出の分野における手法は、オンラインデータストリームのデータ生成分布の変化をリアルタイムで迅速に検出する。 既存の方法は、前と後の変化分布の密度が分かっているときに、この変化点を検出することができる。 最近の研究は、これらの結果を、前値と後値の分布がスコア関数によってのみ知られているケースにまで拡張している。 この研究は、前値と後値のスコア関数が2つの非随伴集合の分布にしか対応しない場合を考える。 この研究は、既存のスコアベースの素早い変化検出アルゴリズムを強固にするために、二つの「最も好ましくない」分布を用いており、その特性について研究している。 本稿では, 特定のモデルクラスに対する最小値分布を計算し, 共通構成に対する最小値分布を推定する方法を提案する。 頑健な変化検出アルゴリズムの性能を示すシミュレーション結果を提供する。

関連論文リスト

• Protected Test-Time Adaptation via Online Entropy Matching: A Betting Approach [14.958884168060097]
  オンライン自己学習によるテスト時間適応のための新しい手法を提案する。 提案手法は,マーチンガレットとオンライン学習の概念を組み合わせることで,分布変化に反応可能な検出ツールを構築する。 実験結果から, 分散シフト時のテスト時間精度は, 精度とキャリブレーションを保ちながら向上することが示された。
  論文  参考訳（メタデータ） (2024-08-14T12:40:57Z)
• Comprehensive OOD Detection Improvements [46.46252643210326]
  このタスクのために、アウト・オブ・ディストリビューション(OOD)検出手法が作成されている。 我々は,時間的高速化と性能向上の両面において,特徴埋め込みの次元的削減を表現ベース手法に適用する。 提案手法の有効性を,OpenOODv1.5ベンチマークフレームワーク上で実証する。
  論文  参考訳（メタデータ） (2024-01-18T18:05:35Z)
• Quickest Change Detection for Unnormalized Statistical Models [36.6516991850508]
  本稿では,最も高速な変化検出のための古典的累積和(CUSUM)アルゴリズムの新たな変種を開発する。 SCUSUMアルゴリズムは、正規化されていない統計モデルに対する変更検出の応用を可能にする。
  論文  参考訳（メタデータ） (2023-02-01T05:27:34Z)
• Breaking Down Out-of-Distribution Detection: Many Methods Based on OOD Training Data Estimate a Combination of the Same Core Quantities [104.02531442035483]
  本研究の目的は,OOD検出手法の暗黙的なスコアリング機能を識別すると同時に,共通の目的を認識することである。 内分布と外分布の2値差はOOD検出問題のいくつかの異なる定式化と等価であることを示す。 また, 外乱露光で使用される信頼損失は, 理論上最適のスコアリング関数と非自明な方法で異なる暗黙的なスコアリング関数を持つことを示した。
  論文  参考訳（メタデータ） (2022-06-20T16:32:49Z)
• Robust Calibration with Multi-domain Temperature Scaling [86.07299013396059]
  我々は,複数の領域からのデータを活用することで,分散シフトを処理するシステムキャリブレーションモデルを開発した。 提案手法は,分布シフト時のキャリブレーションを改善するために,領域内のロバスト性を利用する。
  論文  参考訳（メタデータ） (2022-06-06T17:32:12Z)
• Effective Out-of-Distribution Detection in Classifier Based on PEDCC-Loss [5.614122064282257]
  PEDCC-Loss を用いたアウト・オブ・ディストリビューション例の検出に有効なアルゴリズムを提案する。 PEDCC(Predefined Evenly-Distribution Class Centroids)分類器によって出力される信頼スコアの性質を数学的に解析する。 次に,より効果的なスコアリング機能を構築し,分布内(ID)と分布外(out-of-distriion)を区別する。
  論文  参考訳（メタデータ） (2022-04-10T11:47:29Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• Predicting with Confidence on Unseen Distributions [90.68414180153897]
  ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。 分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。 具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
  論文  参考訳（メタデータ） (2021-07-07T15:50:18Z)
• Sequential changepoint detection in classification data under label shift [1.6752182911522522]
  逐次保存・ラベルなし分類データにおける分布変化を検出することの問題点を考察する。 シミュレーションでは,このラベルシフト設定において,本手法が他の検出手順より優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-18T02:26:46Z)
• 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。