論文の概要: Active Learning for Multiple Change Point Detection in Non-stationary Time Series with Deep Gaussian Processes

• arxiv url: http://arxiv.org/abs/2505.20452v1
• Date: Mon, 26 May 2025 18:46:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.256951
• Title: Active Learning for Multiple Change Point Detection in Non-stationary Time Series with Deep Gaussian Processes
• Title（参考訳）: 深いガウス過程をもつ非定常時系列における多重変化点検出のためのアクティブラーニング
• Authors: Hao Zhao, Rong Pan,
• Abstract要約: 非定常時系列における多重変化点(MCP)検出は、基礎となるパターンの多様さにより困難である。 本稿では,アクティブ・ラーニング(AL)とディープ・ガウス・プロセス(DGP)を統合した新しいアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 7.266872790554742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiple change point (MCP) detection in non-stationary time series is challenging due to the variety of underlying patterns. To address these challenges, we propose a novel algorithm that integrates Active Learning (AL) with Deep Gaussian Processes (DGPs) for robust MCP detection. Our method leverages spectral analysis to identify potential changes and employs AL to strategically select new sampling points for improved efficiency. By incorporating the modeling flexibility of DGPs with the change-identification capabilities of spectral methods, our approach adapts to diverse spectral change behaviors and effectively localizes multiple change points. Experiments on both simulated and real-world data demonstrate that our method outperforms existing techniques in terms of detection accuracy and sampling efficiency for non-stationary time series.
• Abstract（参考訳）: 非定常時系列における多重変化点(MCP)検出は、基礎となるパターンの多様さにより困難である。 これらの課題に対処するため,我々は,アクティブラーニング(AL)とディープガウスプロセス(DGP)を統合した新しいアルゴリズムを提案する。 提案手法では, スペクトル分析を用いて潜在的変化の同定を行い, ALを用いて新しいサンプリングポイントを戦略的に選択し, 効率を向上させる。 DGPのモデリングの柔軟性をスペクトル法の変化同定能力に取り入れることで、スペクトル変化の多様な挙動に適応し、複数の変化点を効果的にローカライズする。 実世界のシミュレーションデータおよび実世界のデータを用いた実験により,本手法は,非定常時系列に対する検出精度とサンプリング効率において,既存の手法よりも優れていることを示した。

関連論文リスト

• Robust Analysis of Multi-Task Learning Efficiency: New Benchmarks on Light-Weighed Backbones and Effective Measurement of Multi-Task Learning Challenges by Feature Disentanglement [69.51496713076253]
  本稿では,既存のMTL手法の効率性に焦点をあてる。 バックボーンを小さくしたメソッドの大規模な実験と,MetaGraspNetデータセットを新しいテストグラウンドとして実施する。 また,MTLにおける課題の新規かつ効率的な識別子として,特徴分散尺度を提案する。
  論文  参考訳（メタデータ） (2024-02-05T22:15:55Z)
• 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)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Dynamic Interpretable Change Point Detection [9.879634139205569]
  TiVaCPDは、時間変化グラフラッソ(Time-Varying Graphical Lasso)を使用して、時間とともに多次元特徴間の相関パターンの変化を特定するアプローチである。 各種CPの同定・特徴化におけるTiVaCPDの性能評価を行い,本手法が実世界のCPDデータセットにおける最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-08T04:04:56Z)
• Latent Neural Stochastic Differential Equations for Change Point Detection [0.6445605125467574]
  SDE(Latent Neural Differential Equations)に基づく新しい変化点検出アルゴリズムを提案する。 本手法は,プロセスから潜在空間への非線形な深層学習変換を学習し,時間とともにその進化を記述するSDEを推定する。 このアルゴリズムは、学習したプロセスの確率比を異なるタイムスタンプで使い、プロセスの変化点を見つける。
  論文  参考訳（メタデータ） (2022-08-22T13:53:13Z)
• 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)
• 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)

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。