論文の概要: Conditional Score Learning for Quickest Change Detection in Markov Transition Kernels

• arxiv url: http://arxiv.org/abs/2511.03953v1
• Date: Thu, 06 Nov 2025 01:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.259052
• Title: Conditional Score Learning for Quickest Change Detection in Markov Transition Kernels
• Title（参考訳）: マルコフ遷移カーネルにおけるクイックチェンジ検出のための条件スコア学習
• Authors: Wuxia Chen, Taposh Banerjee, Vahid Tarokh,
• Abstract要約: 条件スコア $nabla_mathbfy log p(mathbfy|mathbfx)$ はサンプルペアから直接学習する。 本研究では,条件付きハイバリネンスコア差を用いたスコアベースCUSUM手法を開発し,カーネルの変化を検出する。
• 参考スコア（独自算出の注目度）: 15.70380155219054
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the problem of quickest change detection in Markov processes with unknown transition kernels. The key idea is to learn the conditional score $\nabla_{\mathbf{y}} \log p(\mathbf{y}|\mathbf{x})$ directly from sample pairs $( \mathbf{x},\mathbf{y})$, where both $\mathbf{x}$ and $\mathbf{y}$ are high-dimensional data generated by the same transition kernel. In this way, we avoid explicit likelihood evaluation and provide a practical way to learn the transition dynamics. Based on this estimation, we develop a score-based CUSUM procedure that uses conditional Hyvarinen score differences to detect changes in the kernel. To ensure bounded increments, we propose a truncated version of the statistic. With Hoeffding's inequality for uniformly ergodic Markov processes, we prove exponential lower bounds on the mean time to false alarm. We also prove asymptotic upper bounds on detection delay. These results give both theoretical guarantees and practical feasibility for score-based detection in high-dimensional Markov models.
• Abstract（参考訳）: マルコフ過程において、未知の遷移カーネルを持つ最も高速な変化検出の問題に対処する。 鍵となる考え方は、条件スコア $\nabla_{\mathbf{y}} \log p(\mathbf{y}|\mathbf{x})$ をサンプル対 $(\mathbf{x},\mathbf{y})$ から直接学ぶことである。 このようにして、明示的な可能性評価を回避し、遷移力学を学ぶための実践的な方法を提供する。 この推定に基づいて,条件付きハイバリネンスコア差を用いたスコアベースCUSUM法を開発し,カーネルの変化を検出する。 有界インクリメントを保証するため、統計量の切り詰め版を提案する。 一様エルゴードマルコフ過程に対するホーフディングの不等式により、偽アラームの平均時間における指数的に低い境界が証明される。 また,検出遅延の漸近上界も証明した。 これらの結果は、高次元マルコフモデルにおけるスコアベース検出の理論的保証と実用的な実現可能性の両方を与える。

関連論文リスト

• Fast Convergence for High-Order ODE Solvers in Diffusion Probabilistic Models [5.939858158928473]
  拡散確率モデルは、データをノイズに変換するノイズ注入プロセスの逆転を学ぶことでサンプルを生成する。 重要な展開は、決定論的確率フロー常微分方程式(ODE)としての逆サンプリング過程の再構成である。 本稿では、任意の分散スケジュールを持つ一般的な前処理のためのODEから導出される決定論的サンプルの厳密な収束解析について述べる。
  論文  参考訳（メタデータ） (2025-06-16T03:09:25Z)
• Efficient and Provable Algorithms for Covariate Shift [2.0257616108612373]
  我々は、未知かつ有界な関数に対して平均$mathbbE_tildemathbfxsim p_mathrmtestmathbff(tildemathbfx)$を推定することに集中する。 証明可能なサンプル複雑性と計算保証を備えた,いくつかの効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-21T10:47:46Z)
• Beyond likelihood ratio bias: Nested multi-time-scale stochastic approximation for likelihood-free parameter estimation [49.78792404811239]
  確率分析形式が不明なシミュレーションベースモデルにおける推論について検討する。 我々は、スコアを同時に追跡し、パラメータ更新を駆動する比率のないネスト型マルチタイムスケール近似(SA)手法を用いる。 我々のアルゴリズムは、オリジナルのバイアス$Obig(sqrtfrac1Nbig)$を排除し、収束率を$Obig(beta_k+sqrtfracalpha_kNbig)$から加速できることを示す。
  論文  参考訳（メタデータ） (2024-11-20T02:46:15Z)
• Semi-Supervised Laplace Learning on Stiefel Manifolds [48.3427853588646]
  グラフベースで教師付きサンプルを低ラベルレートで作成するためのフレームワークSequential Subspaceを開発した。 我々の手法は極めて低いレートで、高いラベルレートで達成できる。
  論文  参考訳（メタデータ） (2023-07-31T20:19:36Z)
• Statistical Inference of Constrained Stochastic Optimization via Sketched Sequential Quadratic Programming [53.63469275932989]
  制約付き非線形最適化問題のオンライン統計的推測を考察する。 これらの問題を解決するために、逐次二次計画法(StoSQP)を適用する。
  論文  参考訳（メタデータ） (2022-05-27T00:34:03Z)
• High Probability Bounds for a Class of Nonconvex Algorithms with AdaGrad Stepsize [55.0090961425708]
  本研究では,AdaGradのスムーズな非確率問題に対する簡易な高確率解析法を提案する。 我々はモジュラーな方法で解析を行い、決定論的設定において相補的な$mathcal O (1 / TT)$収束率を得る。 我々の知る限りでは、これは真に適応的なスキームを持つAdaGradにとって初めての高い確率である。
  論文  参考訳（メタデータ） (2022-04-06T13:50:33Z)
• Learning Sparse Graph with Minimax Concave Penalty under Gaussian Markov Random Fields [51.07460861448716]
  本稿では,データから学ぶための凸解析フレームワークを提案する。 三角凸分解はその上部に対応する変換によって保証されることを示す。
  論文  参考訳（メタデータ） (2021-09-17T17:46:12Z)
• Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and Variance Reduction [63.41789556777387]
  非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。 Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
  論文  参考訳（メタデータ） (2020-06-04T17:51:00Z)
• Estimate exponential memory decay in Hidden Markov Model and its applications [9.94194748987129]
  本稿では,隠れマルコフモデルにおける固有記憶減衰を利用して,前向きと後向きの確率をサブシーケンスで計算する。 ソフトマックスパラメトリゼーション後のギャップを数値的に推定するアルゴリズムを提案する。 リアプノフスペクトルの連続性は、推定された$B$が推論中に近くのパラメータに対して再利用可能であることを保証している。
  論文  参考訳（メタデータ） (2017-10-17T03:54:11Z)

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。