論文の概要: Change Detection in Multivariate data streams: Online Analysis with Kernel-QuantTree
- arxiv url: http://arxiv.org/abs/2410.13778v1
- Date: Thu, 17 Oct 2024 17:17:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-18 13:21:40.182285
- Title: Change Detection in Multivariate data streams: Online Analysis with Kernel-QuantTree
- Title（参考訳）: 多変量データストリームにおける変化検出: Kernel-QuantTree を用いたオンライン解析
- Authors: Michelangelo Olmo Nogara Notarianni, Filippo Leveni, Diego Stucchi, Luca Frittoli, Giacomo Boracchi,
- Abstract要約: Kernel-QuantTree指数重み移動平均(KQT-EWMA)
Kernel-QuantTree (KQT)ヒストグラムとEWMA統計を組み合わせた非パラメトリックな変化検出アルゴリズム。
合成および実世界のデータセットの実験では、KQT-EWMAが$ARL_0$を制御でき、最先端の手法に匹敵する検出遅延を達成できることが示された。
- 参考スコア（独自算出の注目度）: 4.492556918144639
- License:
- Abstract: We present Kernel-QuantTree Exponentially Weighted Moving Average (KQT-EWMA), a non-parametric change-detection algorithm that combines the Kernel-QuantTree (KQT) histogram and the EWMA statistic to monitor multivariate data streams online. The resulting monitoring scheme is very flexible, since histograms can be used to model any stationary distribution, and practical, since the distribution of test statistics does not depend on the distribution of datastream in stationary conditions (non-parametric monitoring). KQT-EWMA enables controlling false alarms by operating at a pre-determined Average Run Length ($ARL_0$), which measures the expected number of stationary samples to be monitored before triggering a false alarm. The latter peculiarity is in contrast with most non-parametric change-detection tests, which rarely can control the $ARL_0$ a priori. Our experiments on synthetic and real-world datasets demonstrate that KQT-EWMA can control $ARL_0$ while achieving detection delays comparable to or lower than state-of-the-art methods designed to work in the same conditions.
- Abstract（参考訳）: Kernel-QuantTree Exponentially Weighted moving Average (KQT-EWMA) は,Kernel-QuantTree (KQT) ヒストグラムとEWMA統計を組み合わせ,多変量データストリームをオンラインで監視する非パラメトリックな変化検出アルゴリズムである。
ヒストグラムは静止分布をモデル化するのに利用でき、また、試験統計の分布は静止状態のデータストリームの分布に依存しない(非パラメトリックモニタリング)ため、結果として生じるモニタリング方式は非常に柔軟である。
KQT-EWMAは、事前決定された平均走行長(ARL_0$)で操作することで、誤警報を発生させる前に監視対象の定置サンプルの数を測定することによって、誤警報を制御することができる。
後者の特異性は、ほとんどの非パラメトリックな変化検出テストとは対照的であり、$ARL_0$ a priori を制御することは滅多にない。
KQT-EWMAが$ARL_0$を制御でき、同じ条件下で動作するために設計された最先端の手法に匹敵する検出遅延を達成できることを示す。
関連論文リスト
- 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) - Partially-Observable Sequential Change-Point Detection for Autocorrelated Data via Upper Confidence Region [12.645304808491309]
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。
論文 参考訳（メタデータ） (2024-03-30T02:32:53Z) - 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) - MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly
Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。
不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。
非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。
我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文 参考訳（メタデータ） (2023-08-29T13:38:35Z) - Nonparametric and Online Change Detection in Multivariate Datastreams
using QuantTree [7.085868567930685]
本稿では,非パラメトリックな変化検出アルゴリズムであるQT-EWMAを導入する。
我々は,QT-EWMAとQT-EWMAの更新により,同様の条件下で動作している最先端手法よりも誤警報率を制御できることを示す。
論文 参考訳（メタデータ） (2022-08-30T07:24:16Z) - Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。
ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
論文 参考訳（メタデータ） (2022-05-09T05:06:58Z) - Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection [0.0]
多変量時系列における異常検出を行うために,終端から終端までの微分可能なニューラルネットワークアーキテクチャを提案する。
このアーキテクチャは、信号の線形予測可能なコンポーネントを分離するために設計された動的システムのカスケードである。
異常検出器は、予測残差の時間的構造を利用して、孤立した点異常とセットポイントの変化の両方を検出する。
論文 参考訳（メタデータ） (2022-02-25T01:50:22Z) - Contrastive predictive coding for Anomaly Detection in Multi-variate
Time Series Data [6.463941665276371]
本稿では,MVTSデータにおける異常検出に向けて,TRL-CPC(Contrastive Predictive Coding)を用いた時系列表現学習を提案する。
まず,エンコーダ,自動回帰器,非線形変換関数を共同で最適化し,MVTSデータセットの表現を効果的に学習する。
論文 参考訳（メタデータ） (2022-02-08T04:25:29Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - High-dimensional, multiscale online changepoint detection [7.502070498889449]
ガウス的データストリームが平均的に変更されるような設定において,高次元のオンライン変更点検出のための新しい手法を提案する。
このアルゴリズムは、新しい観測におけるストレージ要件と最悪の計算複雑性の両方が、以前の観測数とは無関係であるという意味で、オンラインである。
Rパッケージ 'ocd' に実装した提案手法の有効性をシミュレーションにより検証し,その有効性を地震学データセット上で実証する。
論文 参考訳（メタデータ） (2020-03-07T21:54:09Z)
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。