論文の概要: Pi-Change: A Prior-Informed Multiple Change Point Detection Algorithm

• arxiv url: http://arxiv.org/abs/2605.01003v1
• Date: Fri, 01 May 2026 18:11:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.535414
• Title: Pi-Change: A Prior-Informed Multiple Change Point Detection Algorithm
• Title（参考訳）: Pi-Change: 事前インフォームされた多重変更点検出アルゴリズム
• Abstract要約: 本稿では,CP位置の事前情報を時間変化によるペナルティ項で組み込んだ事前情報付きCP検出アルゴリズム(Pi-Change)を提案する。 Pi-Changeは、事前情報によって支持された急激なCPを回避し、事前の誤特定に対して頑健であり、検出精度を向上させる。
• 参考スコア（独自算出の注目度）: 1.5011098158866705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Statistical change point (CP) detection methods typically rely on likelihood-based inference and ignore contextual information about plausible CP locations beyond the observed sequence. Although informative priors provide a natural way to incorporate such information, general and computationally efficient methods for doing so are lacking, especially for multiple CP detection. To address this gap, we propose a prior-informed CP detection algorithm (Pi-Change) that incorporates prior information on CP locations through a time-varying penalty term. We prove that the proposed penalty can be embedded in the Pruned Exact Linear Time framework while preserving the dynamic programming recursion and pruning rule required for efficient multiple CP detection. Across simulation studies and three time-series applications, Pi-Change discourages spurious CPs unsupported by prior information, remains robust to prior misspecification, and improves detection accuracy. More broadly, Pi-Change extends multiple CP detection beyond purely data-driven fitting by incorporating partial prior knowledge in a computationally efficient and interpretable way. It is particularly useful when CPs arise from heterogeneous mechanisms or are associated with known external events, helping quantify the delay between an event and the resulting structural change.
• Abstract（参考訳）: 統計的変化点(CP)検出法は通常、確率に基づく推測に頼り、観測シーケンスを超えた可視CP位置に関する文脈情報を無視する。 情報的事前はそのような情報を組み込む自然な方法を提供するが、汎用的かつ計算的に効率的な手法は、特に複数のCP検出において欠如している。 このギャップに対処するために、時間変化のペナルティ項を通してCP位置の事前情報を組み込んだ事前情報付きCP検出アルゴリズム(Pi-Change)を提案する。 提案したペナルティを,効率的な多重CP検出に必要な動的プログラミング再帰とプルーニングルールを保ちながら,Pruned Exact Linear Timeフレームワークに組み込むことができることを示す。 シミュレーション研究と3つの時系列応用を通じて、Pi-Changeは、事前情報によって支持される急激なCPを回避し、事前の誤特定に対して頑健であり、検出精度を向上させる。 より広範に、Pi-Changeは計算的に効率的で解釈可能な方法で部分的な事前知識を組み込むことで、純粋にデータ駆動のフィッティングを越えて複数のCP検出を拡張している。 CPが不均一な機構から生じる場合や、既知の外部イベントと関連付けられ、イベントと結果として生じる構造変化の間の遅延を定量化するのに特に有用である。

関連論文リスト

• MuRAL-CPD: Active Learning for Multiresolution Change Point Detection [2.3711752696597435]
  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。
  論文  参考訳（メタデータ） (2026-01-28T15:14:37Z)
• Relevance-Aware Thresholding in Online Conformal Prediction for Time Series [1.8744230606349503]
  オンラインコンフォーマル予測(OCP)は、時間とともにデータ分散がシフトする問題に対処するオプションである。 本稿では,2値評価(内/外)をより広範な機能クラスに置き換えることにより,しきい値更新ステップの強化を提案する。 このアプローチは、急激な閾値変化を防止し、予測間隔を狭める可能性がある。
  論文  参考訳（メタデータ） (2025-10-03T08:31:14Z)
• Pi-DUAL: Using Privileged Information to Distinguish Clean from Noisy Labels [47.85182773875054]
  クリーンなラベルを識別するために特権情報(PI)を利用するアーキテクチャであるPi-DUALを導入する。 Pi-DUALは、主要なPIベンチマークで大幅なパフォーマンス向上を実現し、新しい最先端のテストセットの精度を確立する。 Pi-DUALは、PIを用いた様々な現実シナリオにおけるラベルノイズの影響を軽減するための、シンプルでスケーラブルで実践的なアプローチである。
  論文  参考訳（メタデータ） (2023-10-10T13:08:50Z)
• A Log-Linear Non-Parametric Online Changepoint Detection Algorithm based on Functional Pruning [5.202524136984542]
  シーケンスの分布の変化を検出するために,フレキシブルな非パラメトリック手法を構築した。 機能的プルーニングのアイデアのおかげで、NP-FOCuSは観測回数の対数直線的な計算コストを持つ。 検出能力の面では、NP-FOCuSは様々な設定で現在の非パラメトリックオンライン変更ポイント技術より優れている。
  論文  参考訳（メタデータ） (2023-02-06T11:50:02Z)
• Reliable Prediction Intervals with Directly Optimized Inductive Conformal Regression for Deep Learning [3.42658286826597]
  予測間隔(PI)は、ディープラーニング回帰における各予測の不確かさの定量化に使用される。 PIの品質向上のための多くのアプローチは、PIの幅を効果的に削減することができるが、実際のラベルが十分に取得されていることを保証しない。 本研究では,損失関数としてPIの平均幅のみを考慮に入れた直接最適化インダクティブ・コンダクティブ・レグレッション(DOICR)を用いる。 ベンチマーク実験により、DOICRは回帰問題に対する現在の最先端アルゴリズムよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-02-02T04:46:14Z)
• 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)
• Event-Triggered Time-Varying Bayesian Optimization [47.30677525394649]
  本稿では,対象関数の変化を検出してデータセットをリセットするまで,最適化問題を静的に扱うイベントトリガーアルゴリズムET-GP-UCBを提案する。 これにより、アルゴリズムは正確な事前知識を必要とせずに、オンラインで時間変化を実現することができる。 時間的変化を正確に知ることなく、適応的リセットに対する後悔境界を導出し、ET-GP-UCBが合成データと実世界のデータの両方で競合するGP-UCBアルゴリズムより優れていることを示す数値実験を行った。
  論文  参考訳（メタデータ） (2022-08-23T07:50:52Z)
• E-detectors: a nonparametric framework for sequential change detection [86.15115654324488]
  逐次的変化検出のための基本的かつ汎用的なフレームワークを開発する。 私たちの手順は、平均走行距離のクリーンで無症状な境界が伴います。 統計的および計算効率の両方を達成するために,これらの混合物を設計する方法を示す。
  論文  参考訳（メタデータ） (2022-03-07T17:25:02Z)
• Selective Network Linearization for Efficient Private Inference [49.937470642033155]
  本稿では,予測精度を維持しつつReLUを選択的に線形化する勾配に基づくアルゴリズムを提案する。 その結果、現在の技術よりも4.25%$の精度(so-ReLUは50K)、または2.2times$のレイテンシ(so-accuracyは70%)が低いことがわかった。
  論文  参考訳（メタデータ） (2022-02-04T19:00:24Z)
• Transformers Can Do Bayesian Inference [56.99390658880008]
  我々はPFN(Presideed Data Fitted Networks)を提案する。 PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。 我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
  論文  参考訳（メタデータ） (2021-12-20T13:07:39Z)
• Doubly Robust Off-Policy Actor-Critic: Convergence and Optimality [131.45028999325797]
  ディスカウント型MDPのための2倍堅牢なオフポリチックAC(DR-Off-PAC)を開発した。 DR-Off-PACは、俳優と批評家の両方が一定のステップで同時に更新される単一のタイムスケール構造を採用しています。 有限時間収束速度を研究し, dr-off-pac のサンプル複雑性を特徴とし, $epsilon$-accurate optimal policy を得る。
  論文  参考訳（メタデータ） (2021-02-23T18:56:13Z)
• 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)
• 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。