Fugu-MT 論文翻訳(概要): Score-based change point detection via tracking the best of infinitely many experts

論文の概要: Score-based change point detection via tracking the best of infinitely many experts

arxiv url: http://arxiv.org/abs/2408.14073v1
Date: Mon, 26 Aug 2024 07:56:17 GMT
ステータス: 処理完了
システム内更新日: 2024-08-27 14:42:58.997603
Title: Score-based change point detection via tracking the best of infinitely many experts
Title（参考訳）: 無限に多くの専門家のベストの追跡によるスコアベース変化点検出
Authors: Anna Markovich, Nikita Puchkin,
Abstract要約: 逐次スコア関数推定に基づくオンライン変化点検出のための新しいアルゴリズムを提案する。このアルゴリズムは人工および実世界のデータセットに関する数値実験において有望な性能を示す。
参考スコア（独自算出の注目度）: 5.156484100374059
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We suggest a novel algorithm for online change point detection based on sequential score function estimation and tracking the best expert approach. The core of the procedure is a version of the fixed share forecaster for the case of infinite number of experts and quadratic loss functions. The algorithm shows a promising performance in numerical experiments on artificial and real-world data sets. We also derive new upper bounds on the dynamic regret of the fixed share forecaster with varying parameter, which are of independent interest.
Abstract（参考訳）: 逐次スコア関数推定に基づくオンライン変化点検出のための新しいアルゴリズムを提案する。手順の中核は、無限個の専門家と二次的損失関数の場合の固定シェア予測器のバージョンである。このアルゴリズムは人工および実世界のデータセットに関する数値実験において有望な性能を示す。また、独立したパラメータを持つ固定シェア予測器の動的後悔について、新たな上限を導出する。

関連論文リスト

A naive aggregation algorithm for improving generalization in a class of learning problems [0.0]
本稿では,エキスパート・アドバイス・セッティングを用いた一般的な学習問題に対するナイーブ・アグリゲーション・アルゴリズムを提案する。特に,高次元非線形関数をモデル化するための点推定の学習問題について考察する。
論文参考訳（メタデータ） (2024-09-06T15:34:17Z)
RHiOTS: A Framework for Evaluating Hierarchical Time Series Forecasting Algorithms [0.393259574660092]
RHiOTSは、階層的な時系列予測モデルとアルゴリズムを実世界のデータセット上で堅牢性を評価するように設計されている。 RHiOTSは、複雑な多次元ロバストネス評価結果を直感的で容易に解釈可能なビジュアルに変換する革新的な可視化コンポーネントを組み込んでいる。従来の統計的手法は、変換効果が非常に破壊的である場合を除き、最先端のディープラーニングアルゴリズムよりも頑健であることを示す。
論文参考訳（メタデータ） (2024-08-06T18:52:15Z)
Better Batch for Deep Probabilistic Time Series Forecasting [15.31488551912888]
本稿では,確率的予測精度を高めるために,誤り自己相関を取り入れた新しいトレーニング手法を提案する。本手法は,モデルトレーニングのためのD$連続時系列セグメントのコレクションとしてミニバッチを構築する。各ミニバッチ上で時間変化の共分散行列を明示的に学習し、隣接する時間ステップ間の誤差相関を符号化する。
論文参考訳（メタデータ） (2023-05-26T15:36:59Z)
A Contrastive Approach to Online Change Point Detection [4.762323642506733]
オンライン変更点検出のための新しい手順を提案する。提案手法は,変化前分布と変化後分布との差分尺度を最大化するものである。術式の平均走行距離と検出遅延に対する非漸近的境界を証明した。
論文参考訳（メタデータ） (2022-06-21T07:01:36Z)
Spatially Adaptive Online Prediction of Piecewise Regular Functions [12.18340575383456]
オンライン環境における部分的正規関数推定の問題点を考察する。我々は、最近開発された睡眠専門家集約アルゴリズムと呼ばれるオンライン学習アルゴリズムの修正版を提案する。
論文参考訳（メタデータ） (2022-03-30T18:15:56Z)
On Generalizing Beyond Domains in Cross-Domain Continual Learning [91.56748415975683]
ディープニューラルネットワークは、新しいタスクを学んだ後、これまで学んだ知識の破滅的な忘れ込みに悩まされることが多い。提案手法は、ドメインシフト中の新しいタスクを精度良く学習することで、DomainNetやOfficeHomeといった挑戦的なデータセットで最大10%向上する。
論文参考訳（メタデータ） (2022-03-08T09:57:48Z)
Variance-Aware Off-Policy Evaluation with Linear Function Approximation [85.75516599931632]
線形関数近似を用いた強化学習における非政治的評価問題について検討する。本稿では,値関数の分散を推定し,フィルタQ-Iterationにおけるベルマン残差を再重み付けするアルゴリズムVA-OPEを提案する。
論文参考訳（メタデータ） (2021-06-22T17:58:46Z)
Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文参考訳（メタデータ） (2020-08-21T15:03:21Z)
Reparameterized Variational Divergence Minimization for Stable Imitation [57.06909373038396]
確率的発散の選択における変動が、より高性能なILOアルゴリズムをもたらす可能性について検討する。本稿では,提案する$f$-divergence最小化フレームワークの課題を軽減するために,逆模倣学習のための再パラメータ化手法を提案する。経験的に、我々の設計選択は、ベースラインアプローチより優れ、低次元連続制御タスクにおける専門家のパフォーマンスとより密に適合するIOOアルゴリズムを許容することを示した。
論文参考訳（メタデータ） (2020-06-18T19:04:09Z)
Pairwise Supervised Hashing with Bernoulli Variational Auto-Encoder and Self-Control Gradient Estimator [62.26981903551382]
バイナリ潜在変数を持つ変分自動エンコーダ(VAE)は、文書検索の精度の観点から最先端のパフォーマンスを提供する。本稿では、クラス内類似度とクラス間類似度に報いるために、個別潜伏型VAEを用いたペアワイズ損失関数を提案する。この新しいセマンティックハッシュフレームワークは、最先端技術よりも優れたパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-05-21T06:11:33Z)
Nonparametric Score Estimators [49.42469547970041]
未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
論文参考訳（メタデータ） (2020-05-20T15:01:03Z)

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。