論文の概要: Accurate Evaluation of Quickest Changepoint Detectors via Non-parametric Survival Analysis

• arxiv url: http://arxiv.org/abs/2605.18798v1
• Date: Mon, 11 May 2026 07:23:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 21:37:32.336227
• Title: Accurate Evaluation of Quickest Changepoint Detectors via Non-parametric Survival Analysis
• Title（参考訳）: 非パラメトリックサバイバル解析による最短点検出器の精度評価
• Authors: Taiki Miyagawa, Akinori F. Ebihara,
• Abstract要約: 本研究では, 平均走行距離(ARL) と平均検出遅延(ADD) を, 有限および不規則なシーケンス長下での切替点検出(QCD)における非パラメトリック推定器を提案する。 シミュレーションおよび実世界のデータセットの実験は、その実用性を示し、制限および不規則なシーケンス長に対して堅牢性を高める。
• 参考スコア（独自算出の注目度）: 11.580603875423408
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose non-parametric estimators for the average run length (ARL) and average detection delay (ADD) in quickest changepoint detection (QCD) under finite and irregular sequence lengths. Although ARL and ADD are widely used as optimality criteria in theoretical and simulation studies, their application to real-world datasets is hindered by limited and irregular sequence lengths. To address this issue, we propose non-parametric estimators for the ARL and ADD, termed KM-ARL and KM-ADD, by drawing an analogy between QCD and survival analysis to model detection probabilities under sequence truncation. We derive estimation bias bounds and prove that they are asymptotically unbiased unless extrapolation is required. Experiments on simulated and real-world datasets demonstrate their practical utility, enhancing robustness against limited and irregular sequence lengths, improving interpretability, and facilitating empirical, intuitive model selection. Our Python code is provided at https://github.com/TaikiMiyagawa/Kaplan-Meier-Average-Run-Length, offering ready-to-use implementations for practitioners.
• Abstract（参考訳）: 本研究では, 平均走行距離(ARL) と平均検出遅延(ADD) を, 有限および不規則なシーケンス長下での切替点検出(QCD)における非パラメトリック推定器を提案する。 ARL と ADD は理論およびシミュレーション研究において最適基準として広く用いられているが、実世界のデータセットへの応用は限定的かつ不規則なシーケンス長によって妨げられている。 そこで本研究では,QCDと生存分析の類似点を,シーケンストランケーション下でのモデル検出確率に描画することにより,ARLとADDの非パラメトリック推定器KM-ARLとKM-ADDを提案する。 推定バイアス境界を導出し、外挿が必要でなければ漸近的に偏りがないことを証明します。 シミュレーションおよび実世界のデータセットの実験は、その実用性を実証し、制限された、不規則なシーケンス長に対する堅牢性を高め、解釈性を改善し、経験的、直感的なモデル選択を容易にする。 私たちのPythonコードはhttps://github.com/TaikiMiygawa/Kaplan-Meier-Average-Run-Lengthで提供されています。

関連論文リスト

• Semiparametric Double Reinforcement Learning with Applications to Long-Term Causal Inference [33.14076284663493]
  短期的なデータから長期的な因果効果を推定しなければならない。 MDPはこのような長期的ダイナミクスを捉えるための自然なフレームワークを提供する。 非パラメトリックな実装は時間間重なりの強い仮定を必要とする。 アイソトニックベルマンキャリブレーションに基づく新しいプラグイン推定器を提案する。
  論文  参考訳（メタデータ） (2025-01-12T20:35:28Z)
• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• Online Estimation with Rolling Validation: Adaptive Nonparametric Estimation with Streaming Data [13.069717985067937]
  本稿では,多くの典型的な勾配勾配勾配推定器において最小限の費用がかかる,オンライン版Left-one-outクロスバリデーションである重み付き転がり検証手法を提案する。 我々の分析は単純であり、主にいくつかの一般的な統計的仮定に依存している。
  論文  参考訳（メタデータ） (2023-10-18T17:52:57Z)
• Lassoed Tree Boosting [53.56229983630983]
  有界断面変動のカドラー関数の大きな非パラメトリック空間において,早期に停止するn-1/4$ L2の収束速度を持つ勾配向上木アルゴリズムを証明した。 我々の収束証明は、ネストしたドンスカー類の経験的損失最小化子による早期停止に関する新しい一般定理に基づいている。
  論文  参考訳（メタデータ） (2022-05-22T00:34:41Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)

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。