論文の概要: Learning Penalty for Optimal Partitioning via Automatic Feature Extraction

• arxiv url: http://arxiv.org/abs/2505.07413v1
• Date: Mon, 12 May 2025 10:07:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.346961
• Title: Learning Penalty for Optimal Partitioning via Automatic Feature Extraction
• Title（参考訳）: 自動特徴抽出による最適分割のための学習法
• Authors: Tung L Nguyen, Toby Hocking,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Changepoint detection identifies significant shifts in data sequences, making it important in areas like finance, genetics, and healthcare. The Optimal Partitioning algorithms efficiently detect these changes, using a penalty parameter to limit the changepoints number. Determining the appropriate value for this penalty can be challenging. Traditionally, this process involved manually extracting statistical features, such as sequence length or variance to make the prediction. This study proposes a novel approach that uses recurrent neural networks to learn this penalty directly from raw sequences by automatically extracting features. Experiments conducted on 20 benchmark genomic datasets show that this novel method surpasses traditional methods in partitioning accuracy in most cases.
• Abstract（参考訳）: 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。 この罰の適切な価値を決定することは困難である。 伝統的に、このプロセスは、予測を行うためにシーケンスの長さや分散などの統計的特徴を手動で抽出する。 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。 20のベンチマークゲノミクスデータセットで行った実験では、この新しい手法がほとんどの場合、分割精度において従来の手法を超越していることが示されている。

関連論文リスト

• Enhancing Changepoint Detection: Penalty Learning through Deep Learning Techniques [2.094821665776961]
  本研究では,ペナルティパラメータを予測するための新しいディープラーニング手法を提案する。 これにより、大規模なベンチマーク管理されたラベル付きデータセットにおいて、明らかに変更点検出精度が向上する。
  論文  参考訳（メタデータ） (2024-08-01T18:10:05Z)
• Subject-specific Deep Neural Networks for Count Data with High-cardinality Categorical Features [1.2289361708127877]
  本稿では,ポアソンディープニューラルネットワークにガンマランダム効果を導入するための新しい階層的確率学習フレームワークを提案する。 提案手法は,固定パラメータの最大極大推定器とランダム効果の最適非バイアス予測器を同時に生成する。 最先端のネットワークアーキテクチャは、提案されたh-likelihoodフレームワークに容易に実装できる。
  論文  参考訳（メタデータ） (2023-10-18T01:54:48Z)
• Change Point Detection with Conceptors [0.6526824510982799]
  オフラインの変更点検出は、時系列内の変更点を振り返って特定する。 平均と分散の変化を対象とする多くの非パラメトリック手法は、非線形時間依存の存在下では失敗する。 本稿では,任意の依存構造を持つベースライン学習窓の特性を学習するための概念行列を提案する。 関連するエコー状態ネットワークはデータのデファシライザとして機能し、特徴間の相互作用の性質とベースライン状態との関係から変化点を識別する。
  論文  参考訳（メタデータ） (2023-08-11T16:32:00Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• 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)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。