論文の概要: An Efficient Likelihood Ratio Test for Online Changepoint Detection in the Presence of Autocorrelation
- arxiv url: http://arxiv.org/abs/2607.16106v1
- Date: Fri, 17 Jul 2026 16:40:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.907421
- Title: An Efficient Likelihood Ratio Test for Online Changepoint Detection in the Presence of Autocorrelation
- Title（参考訳）: 自己相関の有無によるオンライン切替点検出のための効率的な相似比検定
- Abstract要約: 近年,リアルタイムにストリーミングデータの構造変化を識別できるオンラインアルゴリズムによって,変化点検出手法がかなり発展している。
本稿では,一般化反復法(GLR)の統計量を$p$の自己回帰過程に拡張し,集中アルゴリズムを適用して計算効率のよいオンライン変化検出器を開発する。
結果として得られたAR($p$)-focusアルゴリズムは平均計算コスト$mathcalO(log n)$ perratioを達成し、高周波データストリームに適している。
- 参考スコア（独自算出の注目度）: 2.607403443115235
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Changepoint detection methods have seen considerable development in recent years, with online algorithms capable of identifying structural changes in streaming data in near real time. However, the majority of existing methods are designed under the assumption of IID observations, rendering them susceptible to either more false positives or longer detection delays when applied to data exhibiting temporal dependence, a common feature of many real-world data streams. In this article, we extend the generalised likelihood-ratio (GLR) statistic to autoregressive processes of order $p$, and adapt the focus algorithm to develop a computationally efficient online change detector. The resulting AR($p$)-focus algorithm achieves an average computational cost of $\mathcal{O}(\log n)$ per iteration, making it suitable for high-frequency data streams. Through simulation studies, the proposed approach is seen achieving greater detection power than IID-based tests when the underlying data exhibit temporal correlation. We further illustrate the practical utility of AR($p$)-focus through an application to a real-world telecommunications dataset.
- Abstract（参考訳）: 近年,リアルタイムにストリーミングデータの構造変化を識別できるオンラインアルゴリズムによって,変化点検出手法がかなり発展している。
しかし、既存の手法のほとんどはIDI観測の前提で設計されており、多くの実世界のデータストリームの共通の特徴である時間的依存を示すデータに適用した場合、より偽陽性またはより長い検出遅延の影響を受ける。
本稿では、一般化された可能性比(GLR)統計を、$p$の自己回帰過程に拡張し、フォーカスアルゴリズムを適用して、計算効率の良いオンライン変化検出器を開発する。
結果として得られたAR($p$)-focusアルゴリズムは、1イテレーションあたり$\mathcal{O}(\log n)$の平均計算コストを達成し、高周波データストリームに適している。
シミュレーション研究により,提案手法は時間的相関を示す場合,IDDに基づく試験よりも高い検出能力が得られることが示された。
さらに、実世界の通信データセットへの応用を通して、AR($p$)-focusの実用性について説明する。
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) - Real-Time Decorrelation-Based Anomaly Detection for Multivariate Time Series [1.4472678336151885]
異常検出は、様々な現実世界の領域で重要な役割を果たす。
リアルタイムADの需要は、(産業用)モノのインターネット(Internet of Things)の台頭とともに急増している。
本稿では,新しいリアルタイムデコリレーションに基づく異常検出手法であるDADを提案する。
論文 参考訳（メタデータ） (2025-07-10T08:56:40Z) - An Efficient Outlier Detection Algorithm for Data Streaming [51.56874851156008]
Local Outlier Factor (LOF)アルゴリズムのような従来の異常検出手法は、リアルタイムデータと競合する。
本稿では,オンライン異常検出におけるLOFアルゴリズムの効率向上のための新しい手法を提案し,EILOFアルゴリズムを提案する。
EILOFアルゴリズムは計算コストを大幅に削減するだけでなく、加算点数が増加すると検出精度を体系的に改善する。
論文 参考訳（メタデータ） (2025-01-02T05:12:43Z) - Score-matching-based Structure Learning for Temporal Data on Networks [17.166362605356074]
因果発見は経験的データと背景知識から因果関係を確立するための重要な第一歩である。
現在のスコアマッチングベースのアルゴリズムは、主に独立および同一に分散された(d.d.)データを分析するために設計されている。
我々はDAGの葉ノードのための新しい親フィンディングサブルーチンを開発し、プロセスの最も時間を要する部分である刈り込みステップを著しく加速した。
論文 参考訳（メタデータ） (2024-12-10T12:36:35Z) - PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳（メタデータ） (2023-10-18T02:59:57Z) - Exogenous Data in Forecasting: FARM -- A New Measure for Relevance
Evaluation [62.997667081978825]
FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。
我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。
第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
論文 参考訳（メタデータ） (2023-04-21T15:22:33Z) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-31T23:46:32Z) - 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。