論文の概要: Penalty Learning for Optimal Partitioning using Multilayer Perceptron

• arxiv url: http://arxiv.org/abs/2408.00856v4
• Date: Tue, 10 Jun 2025 06:01:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:38.657365
• Title: Penalty Learning for Optimal Partitioning using Multilayer Perceptron
• Title（参考訳）: 多層パーセプトロンを用いた最適分割のためのペナルティ学習
• Authors: Tung L Nguyen, Toby Dylan Hocking,
• Abstract要約: 変更点検出(Changepoint detection)は、シーケンスの大きなシフトを特定する技術である。 変化点数を制御するために、動的プログラミングアルゴリズムは、変化点の存在を罰するために固定ペナルティを使用する。 既存の手法では線形やツリーベースといった単純なモデルが使われており、予測性能が制限される可能性がある。 本研究では,ReLUアクティベーション機能を持つ多層パーセプトロン(MLP)を用いてペナルティを予測することを提案する。
• 参考スコア（独自算出の注目度）: 2.094821665776961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Changepoint detection is a technique used to identify significant shifts in sequences and is widely used in fields such as finance, genomics, and medicine. To identify the changepoints, dynamic programming (DP) algorithms, particularly Optimal Partitioning (OP) family, are widely used. To control the changepoints count, these algorithms use a fixed penalty to penalize the changepoints presence. To predict the optimal value of that penalty, existing methods used simple models such as linear or tree-based, which may limit predictive performance. To address this issue, this study proposes using a multilayer perceptron (MLP) with a ReLU activation function to predict the penalty. The proposed model generates continuous predictions -- as opposed to the stepwise ones in tree-based models -- and handles non-linearity better than linear models. Experiments on large benchmark genomic datasets demonstrate that the proposed model improves accuracy and F1 score compared to existing models.
• Abstract（参考訳）: 変化点検出(英: Changepoint detection)とは、金融、ゲノム学、医学などの分野で広く使われている、配列の大幅な変化を特定する技術である。 変更点を特定するために、動的プログラミング(DP)アルゴリズム、特にOP(Optimal Partitioning)ファミリーが広く使われている。 変更点数を制御するために、これらのアルゴリズムは、修正されたペナルティを使用して変更点の存在をペナルティ化する。 このペナルティの最適値を予測するために、既存の手法では線形や木に基づく単純なモデルを使用しており、予測性能を制限している。 そこで本研究では,ReLUアクティベーション機能を持つ多層パーセプトロン(MLP)を用いてペナルティを予測することを提案する。 提案モデルでは,木系モデルにおけるステップワイズモデルとは対照的に,連続予測が生成され,線形モデルよりも非線形性の方が優れている。 大規模なベンチマークゲノミクスデータセットの実験は、提案モデルが既存のモデルと比較して精度とF1スコアを改善することを示した。

関連論文リスト

• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Learning Penalty for Optimal Partitioning via Automatic Feature Extraction [0.0]
  変更点検出は、データシーケンスの大きな変化を認識し、金融、遺伝学、医療といった分野において重要である。 最適分割アルゴリズムは、変化点数を制限するためにペナルティパラメータを使用して、これらの変化を効率的に検出する。 本研究では, ニューラルネットワークを用いて, 特徴を自動抽出することで, 生の配列から直接このペナルティを学習する手法を提案する。
  論文  参考訳（メタデータ） (2025-05-12T10:07:55Z)
• Neural Network-Based Change Point Detection for Large-Scale Time-Evolving Data [14.131002665374575]
  以下の2段階の手順に基づいて検出戦略を開発する。 戦略は、変化点の数と位置の両方について一貫した見積もりを得る。
  論文  参考訳（メタデータ） (2025-03-12T16:58:52Z)
• Differentially Private Optimization with Sparse Gradients [60.853074897282625]
  微分プライベート(DP)最適化問題を個人勾配の空間性の下で検討する。 これに基づいて、スパース勾配の凸最適化にほぼ最適な速度で純粋および近似DPアルゴリズムを得る。
  論文  参考訳（メタデータ） (2024-04-16T20:01:10Z)
• Change points detection in crime-related time series: an on-line fuzzy approach based on a shape space representation [0.0]
  本稿では,犯罪関連時系列における変化点の検出と問合せを行うオンライン手法を提案する。 この手法は、非常に低い計算コストで変化点を正確に検出することができる。
  論文  参考訳（メタデータ） (2023-12-18T10:49:03Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• Unsupervised Learning of Initialization in Deep Neural Networks via Maximum Mean Discrepancy [74.34895342081407]
  本稿では,入力データに対する優れた初期化を求めるための教師なしアルゴリズムを提案する。 まず、パラメータ空間における各パラメータ構成が、d-way分類の特定の下流タスクに対応することに気付く。 次に、学習の成功は、初期パラメータの近傍で下流タスクがいかに多様であるかに直接関連していると推測する。
  論文  参考訳（メタデータ） (2023-02-08T23:23:28Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• 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)
• Learning Sinkhorn divergences for supervised change point detection [24.30834981766022]
  そこで本研究では,実測値学習の監督として,真の変化点インスタンスを用いた新しい変化点検出フレームワークを提案する。 提案手法は,特徴選択と解釈の両方に有用であるスパース計量の学習に利用できる。
  論文  参考訳（メタデータ） (2022-02-08T17:11:40Z)
• WATCH: Wasserstein Change Point Detection for High-Dimensional Time Series Data [4.228718402877829]
  変化点検出方法は、教師なしの方法で変化を検出する能力を持つ。 本稿では,ワッサーシュタイン距離に基づく変化点検出手法であるWATCHを提案する。 広範な評価により、WATCHは変化点を正確に識別し、最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2022-01-18T16:55:29Z)
• Online Changepoint Detection on a Budget [5.077509096253692]
  変更ポイントは、基礎となるデータの分布の急激なバリエーションである。 本稿では,オフラインの切替点検出アルゴリズムと比較したオンライン切替点検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-11T00:20:33Z)
• Transformers Can Do Bayesian Inference [56.99390658880008]
  我々はPFN(Presideed Data Fitted Networks)を提案する。 PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。 我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
  論文  参考訳（メタデータ） (2021-12-20T13:07:39Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Spike-and-Slab Generalized Additive Models and Scalable Algorithms for High-Dimensional Data [0.0]
  本稿では,高次元データに対応するため,階層型一般化加法モデル(GAM)を提案する。 曲線の適切な縮退と滑らか化関数線型空間と非線形空間の分離に対する平滑化ペナルティを考察する。 2つの決定論的アルゴリズム、EM-Coordinate Descent と EM-Iterative Weighted Least Squares は異なるユーティリティ向けに開発された。
  論文  参考訳（メタデータ） (2021-10-27T14:11:13Z)
• Variational Inference with NoFAS: Normalizing Flow with Adaptive Surrogate for Computationally Expensive Models [7.217783736464403]
  マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。 変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。 本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
  論文  参考訳（メタデータ） (2021-08-28T14:31:45Z)
• Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
  我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。 本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-04-07T05:42:11Z)
• Piecewise linear regression and classification [0.20305676256390928]
  本稿では,線形予測器を用いた多変量回帰と分類問題の解法を提案する。 本論文で記述されたアルゴリズムのpython実装は、http://cse.lab.imtlucca.it/bemporad/parcで利用可能である。
  論文  参考訳（メタデータ） (2021-03-10T17:07:57Z)
• Adaptive Gradient Method with Resilience and Momentum [120.83046824742455]
  レジリエンスとモメンタム(AdaRem)を用いた適応勾配法を提案する。 AdaRemは、過去の1つのパラメータの変化方向が現在の勾配の方向と一致しているかどうかに応じてパラメータワイズ学習率を調整する。 本手法は,学習速度とテスト誤差の観点から,従来の適応学習率に基づくアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-10-21T14:49:00Z)
• 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)
• 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)
• Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
  ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。 この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。 この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
  論文  参考訳（メタデータ） (2020-08-19T12:35:55Z)

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。