論文の概要: LLM-Augmented Changepoint Detection: A Framework for Ensemble Detection and Automated Explanation

• arxiv url: http://arxiv.org/abs/2601.02957v1
• Date: Tue, 06 Jan 2026 12:04:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.918808
• Title: LLM-Augmented Changepoint Detection: A Framework for Ensemble Detection and Automated Explanation
• Title（参考訳）: LLM拡張変更点検出: アンサンブル検出と自動説明のためのフレームワーク
• Authors: Fabian Lukassen, Christoph Weisser, Michael Schlee, Manish Kumar, Anton Thielmann, Benjamin Saefken, Thomas Kneib,
• Abstract要約: 本稿では,アンサンブル統計手法とLarge Language Models(LLM)を組み合わせた新しい変化点検出フレームワークを提案する。 提案手法は,10個の異なる変化点検出アルゴリズムの結果を集約し,個々の手法と比較して優れた性能とロバスト性を実現する。 プライベートまたはドメイン固有のデータに対して、Retrieval-Augmented Generation (RAG)ソリューションは、ユーザが提供するドキュメントに基盤を置く説明を可能にする。
• 参考スコア（独自算出の注目度）: 2.6022681036325874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a novel changepoint detection framework that combines ensemble statistical methods with Large Language Models (LLMs) to enhance both detection accuracy and the interpretability of regime changes in time series data. Two critical limitations in the field are addressed. First, individual detection methods exhibit complementary strengths and weaknesses depending on data characteristics, making method selection non-trivial and prone to suboptimal results. Second, automated, contextual explanations for detected changes are largely absent. The proposed ensemble method aggregates results from ten distinct changepoint detection algorithms, achieving superior performance and robustness compared to individual methods. Additionally, an LLM-powered explanation pipeline automatically generates contextual narratives, linking detected changepoints to potential real-world historical events. For private or domain-specific data, a Retrieval-Augmented Generation (RAG) solution enables explanations grounded in user-provided documents. The open source Python framework demonstrates practical utility in diverse domains, including finance, political science, and environmental science, transforming raw statistical output into actionable insights for analysts and decision-makers.
• Abstract（参考訳）: 本稿では,アンサンブル統計手法とLarge Language Models(LLMs)を組み合わせることで,時系列データにおける状態変化の検出精度と解釈性の両方を向上させる新しい変化点検出フレームワークを提案する。 フィールドにおける2つの重要な制限が対処される。 まず, 個人検出法は, データ特性によって相補的な強度と弱点を示し, メソッド選択を非自明にし, 副次的結果の傾向を示す。 第二に、検出された変更に対する自動化されたコンテキスト説明は、ほとんど欠落している。 提案手法は,10個の異なる変化点検出アルゴリズムの結果を集約し,個々の手法と比較して優れた性能とロバスト性を実現する。 さらに、LLMを利用した説明パイプラインは、検出された変更点と実世界の潜在的な歴史的事象をリンクすることで、コンテキストの物語を自動的に生成する。 プライベートまたはドメイン固有のデータに対して、Retrieval-Augmented Generation (RAG)ソリューションは、ユーザが提供するドキュメントに基盤を置く説明を可能にする。 オープンソースのPythonフレームワークは、財務、政治科学、環境科学など多様な分野の実用性を実証し、生の統計出力をアナリストや意思決定者のための実用的な洞察に変換する。

関連論文リスト

• Adaptation Method for Misinformation Identification [8.581136866856255]
  マルチモーダルフェイクニュース検出のためのアクティブドメイン適応(ADA)フレームワークであるADOSEを提案する。 ADOSEは、検出性能を改善するために、ターゲットサンプルの小さなサブセットを積極的に注釈付けする。 ADOSEは既存のADAメソッドを2.72%$sim$ 14.02%で上回り、我々のモデルの優位性を示している。
  論文  参考訳（メタデータ） (2025-04-19T04:18:32Z)
• You've Changed: Detecting Modification of Black-Box Large Language Models [4.7541096609711]
  大規模言語モデル(LLM)はAPIを通じてサービスとして提供されることが多いため、開発者は振る舞いの変化を検出することが難しい。 生成したテキストの言語的特徴と心理言語学的特徴の分布を比較することで,変化に対するLLMの監視手法を提案する。
  論文  参考訳（メタデータ） (2025-04-14T04:16:43Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation On Diverse Modalities [50.6382396309597]
  Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。 本稿では,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの完全かつ公平な評価を行う。 本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-07-16T12:52:29Z)
• 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)
• Change points detection in crime-related time series: an on-line fuzzy approach based on a shape space representation [0.0]
  本稿では,犯罪関連時系列における変化点の検出と問合せを行うオンライン手法を提案する。 この手法は、非常に低い計算コストで変化点を正確に検出することができる。
  論文  参考訳（メタデータ） (2023-12-18T10:49:03Z)
• Robust Novelty Detection through Style-Conscious Feature Ranking [7.691679448855549]
  我々は、タスク関連セマンティクスまたはコンテンツ変更と無関係なスタイル変更の正式な区別を提唱する。 この区別は堅牢な新規性検出の基礎を形成し、スタイルの分布シフトに耐性のある意味変化の同定を強調している。 本稿では,事前学習した大規模モデル表現を用いて環境バイアスのある特徴を選択的に破棄する手法であるStylistを紹介する。
  論文  参考訳（メタデータ） (2023-10-05T17:58:32Z)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
  本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。 提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。 分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:53:27Z)
• 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)
• Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
  地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。 サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。 サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T16:19:16Z)

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。