論文の概要: MuRAL-CPD: Active Learning for Multiresolution Change Point Detection

• arxiv url: http://arxiv.org/abs/2601.20686v1
• Date: Wed, 28 Jan 2026 15:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.993063
• Title: MuRAL-CPD: Active Learning for Multiresolution Change Point Detection
• Title（参考訳）: Mural-CPD:多分解能変化点検出のためのアクティブラーニング
• Authors: Stefano Bertolasi, Diego Carrera, Diego Stucchi, Pasqualina Fragneto, Luigi Amedeo Bianchi,
• Abstract要約: 変化点検出(CPD)は時系列解析において重要な課題であり、基礎となるデータ生成プロセスがシフトした瞬間を特定することを目的としている。 従来のCDD手法は、タスク固有の変更定義への適応性に欠ける、教師なしの技術に依存していることが多い。 能動学習を多分解能CPDアルゴリズムに統合する新しい半教師付き手法であるMural-CPDを提案する。
• 参考スコア（独自算出の注目度）: 2.3711752696597435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Change Point Detection (CPD) is a critical task in time series analysis, aiming to identify moments when the underlying data-generating process shifts. Traditional CPD methods often rely on unsupervised techniques, which lack adaptability to task-specific definitions of change and cannot benefit from user knowledge. To address these limitations, we propose MuRAL-CPD, a novel semi-supervised method that integrates active learning into a multiresolution CPD algorithm. MuRAL-CPD leverages a wavelet-based multiresolution decomposition to detect changes across multiple temporal scales and incorporates user feedback to iteratively optimize key hyperparameters. This interaction enables the model to align its notion of change with that of the user, improving both accuracy and interpretability. Our experimental results on several real-world datasets show the effectiveness of MuRAL-CPD against state-of-the-art methods, particularly in scenarios where minimal supervision is available.
• Abstract（参考訳）: 変化点検出(CPD)は時系列解析において重要な課題であり、基礎となるデータ生成プロセスがシフトした瞬間を特定することを目的としている。 従来のCDD手法は、タスク固有の変更定義への適応性に欠け、ユーザ知識の恩恵を受けられない、教師なしの技術に依存していることが多い。 これらの制約に対処するために,能動学習を多分解能CPDアルゴリズムに統合する新しい半教師付き手法であるMural-CPDを提案する。 Mural-CPDはウェーブレットベースの多分解能分解を利用して、複数の時間スケールにわたる変化を検知し、ユーザのフィードバックを取り入れて、キーハイパーパラメータを反復的に最適化する。 この相互作用により、モデルが変更の概念をユーザのものと一致させ、精度と解釈可能性の両方を改善することができる。 いくつかの実世界のデータセットに対する実験結果から,特に最小限の監視が可能なシナリオにおいて,Mural-CPDの最先端手法に対する効果が示された。

関連論文リスト

• TimePred: efficient and interpretable offline change point detection for high volume data - with application to industrial process monitoring [0.0]
  我々は,大規模時系列におけるCDDのための自己教師型フレームワークであるTimePredを紹介する。 TimePredは各サンプルの正規化された時間指数を予測し、平均シフト検出を予測する。 実験では、計算コストを最大2桁まで削減しながら、競争力のあるCPD性能を示す。
  論文  参考訳（メタデータ） (2025-12-01T11:35:48Z)
• WWAggr: A Window Wasserstein-based Aggregation for Ensemble Change Point Detection [43.30982629315816]
  Change Point Detection (CPD) は、データストリームの急激な分散シフトの瞬間を特定することを目的としている。 現在の最先端検出器はまだ完璧な品質を達成できていない。 WWAggr - Wasserstein 距離に基づく新しいタスク固有のアンサンブルアグリゲーション法を紹介する。
  論文  参考訳（メタデータ） (2025-06-09T13:52:10Z)
• Active Learning for Multiple Change Point Detection in Non-stationary Time Series with Deep Gaussian Processes [7.266872790554742]
  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。
  論文  参考訳（メタデータ） (2025-05-26T18:46:59Z)
• Normalizing self-supervised learning for provably reliable Change Point Detection [47.561225734422834]
  変化点検出法 (CPD) は入力データストリームの分布の急激な変化を特定することを目的としている。 従来の教師なしCDD技術は、しばしば強い仮定に依存して、重大な制限に直面している。 本研究は,表現学習の表現力と従来のCPD手法の基盤性を統合する。
  論文  参考訳（メタデータ） (2024-10-17T15:07:56Z)
• Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
  本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。 検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-20T17:11:05Z)
• Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
  リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。 既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。 本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T17:52:45Z)
• 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)
• 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。