論文の概要: A Kernel-Based Approach for Accurate Steady-State Detection in Performance Time Series

• arxiv url: http://arxiv.org/abs/2506.04204v1
• Date: Wed, 04 Jun 2025 17:48:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.503325
• Title: A Kernel-Based Approach for Accurate Steady-State Detection in Performance Time Series
• Title（参考訳）: カーネルによる性能時系列における定常状態の高精度検出
• Authors: Martin Beseda, Vittorio Cortellessa, Daniele Di Pompeo, Luca Traini, Michele Tucci,
• Abstract要約: 目標は、未精度または非効率な性能分析につながる可能性のある、未成熟または遅延検出を回避する方法を導入することである。 提案手法は化学反応器領域の手法に適応し、オンラインで定常状態を検出する。 その結果,新しい手法は最先端手法と比較して誤差を14.5%削減することがわかった。
• 参考スコア（独自算出の注目度）: 1.0485739694839669
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper addresses the challenge of accurately detecting the transition from the warmup phase to the steady state in performance metric time series, which is a critical step for effective benchmarking. The goal is to introduce a method that avoids premature or delayed detection, which can lead to inaccurate or inefficient performance analysis. The proposed approach adapts techniques from the chemical reactors domain, detecting steady states online through the combination of kernel-based step detection and statistical methods. By using a window-based approach, it provides detailed information and improves the accuracy of identifying phase transitions, even in noisy or irregular time series. Results show that the new approach reduces total error by 14.5% compared to the state-of-the-art method. It offers more reliable detection of the steady-state onset, delivering greater precision for benchmarking tasks. For users, the new approach enhances the accuracy and stability of performance benchmarking, efficiently handling diverse time series data. Its robustness and adaptability make it a valuable tool for real-world performance evaluation, ensuring consistent and reproducible results.
• Abstract（参考訳）: 本稿では, 性能指標時系列におけるウォームアップフェーズから定常状態への移行を正確に検出する課題について述べる。 目標は、未精度または非効率な性能分析につながる可能性のある、未成熟または遅延検出を回避する方法を導入することである。 提案手法は化学反応器領域の手法に適応し、カーネルベースのステップ検出と統計的手法を組み合わせることで、オンラインで定常状態を検出する。 ウィンドウベースのアプローチを用いることで、ノイズや不規則な時系列であっても、詳細な情報を提供し、位相遷移を特定する精度を向上させる。 その結果,新しい手法は最先端手法と比較して誤差を14.5%削減することがわかった。 定常状態のオンセットをより信頼性が高く検出し、ベンチマークタスクの精度を高める。 ユーザにとって、この新しいアプローチはパフォーマンスベンチマークの精度と安定性を高め、多様な時系列データを効率的に処理する。 その堅牢性と適応性は、実際のパフォーマンス評価に価値のあるツールであり、一貫性と再現可能な結果を保証する。

関連論文リスト

• Acquiring Better Load Estimates by Combining Anomaly and Change Point Detection in Power Grid Time-series Measurements [0.49478969093606673]
  提案手法は,可視データに対する堅牢かつ一般化可能な性能を確保しつつ,解釈可能性の優先順位付けを行う。 その結果, 濾過が適用されない場合に, 洗浄電位が明らかになることが示唆された。 我々の方法論の解釈可能性によって、重要なインフラ計画に特に適しています。
  論文  参考訳（メタデータ） (2024-05-25T10:15:51Z)
• ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection [44.21198064126152]
  我々はImDiffusionという新しい異常検出フレームワークを提案する。 ImDiffusionは時系列計算と拡散モデルを組み合わせて、正確で堅牢な異常検出を実現する。 我々はImDiffusionの性能をベンチマークデータセットの広範な実験により評価する。
  論文  参考訳（メタデータ） (2023-07-03T04:57:40Z)
• Exogenous Data in Forecasting: FARM -- A New Measure for Relevance Evaluation [62.997667081978825]
  FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。 我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。 第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
  論文  参考訳（メタデータ） (2023-04-21T15:22:33Z)
• Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
  分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。 歴史的情報を適切に再利用するオンライン手法を提案する。 我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
  論文  参考訳（メタデータ） (2023-02-06T04:03:33Z)
• TiSAT: Time Series Anomaly Transformer [30.68108039722565]
  本稿では,この評価基準により,初歩的なランダム・ギーズ法が最先端の検出器より優れていることを示す。 本研究では,逐次異常検出の時系列と精度を計測する適切な評価指標を提案する。
  論文  参考訳（メタデータ） (2022-03-10T05:46:58Z)
• Optimal Sequential Detection of Signals with Unknown Appearance and Disappearance Points in Time [64.26593350748401]
  本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。 我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。 FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
  論文  参考訳（メタデータ） (2021-02-02T04:58:57Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Tracking Performance of Online Stochastic Learners [57.14673504239551]
  オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。 一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。 定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
  論文  参考訳（メタデータ） (2020-04-04T14:16:27Z)

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。