論文の概要: Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations

• arxiv url: http://arxiv.org/abs/2607.26481v1
• Date: Wed, 29 Jul 2026 05:16:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.545992
• Title: Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations
• Title（参考訳）: 異常観測によるコンフォーマルな変化点定位と根因解析
• Abstract要約: 本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
• 参考スコア（独自算出の注目度）: 55.76952683833966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting when the statistical behavior of an engineered system changes, and identifying which component is responsible, are core problems in the monitoring of telecommunication networks, robotic platforms, security infrastructure, and multi-agent systems. In safety- and mission-critical deployments, such decisions must be accompanied by statistical reliability guarantees rather than by point estimates alone. Conformal changepoint localization (CONCH) and conformal root cause analysis (CROC) meet this need by returning confidence sets that contain the true changepoint, or the true root-cause stream, with a user-specified probability, without parametric assumptions on the data-generating process. In practice, however, observations are frequently corrupted, e.g., by outliers, sensor faults, or adversarial perturbations. While the finite-sample coverage of these procedures is preserved under contamination, the resulting confidence sets can become uninformatively large. Adopting a Huber-type contamination model, this paper proposes weighted CONCH (W-CONCH) and weighted CROC (W-CROC), which downweight observations that are likely to be corrupted with the goal of reducing confidence set size when data may be corrupted. The weighting mechanism, derived from a formal bound on the unknown corrupted data densities, leverages pre-existing second-order classifier-based uncertainty signals, such as those produced by evidential deep learning or Bayesian learning. W-CONCH and W-CROC are further generalized by introducing a meta-learning procedure for the weights that optimizes a differentiable surrogate of the confidence set size. Experiments on image-based and real-world changepoint and root-cause benchmarks show that uncertainty-based weighting substantially reduces confidence set size while maintaining the target coverage.
• Abstract（参考訳）: エンジニアリングされたシステムの統計的挙動がいつ変化するかを検出し、どのコンポーネントが責任を持つかを特定することは、通信ネットワーク、ロボットプラットフォーム、セキュリティインフラストラクチャ、マルチエージェントシステムの監視における中核的な問題である。 安全およびミッションクリティカルなデプロイメントでは、そのような決定は、ポイント推定単独ではなく、統計的信頼性保証を伴わなければならない。 Conformal Changepoint Localization (CONCH) と Conformal root cause analysis (CROC) は、データ生成プロセスのパラメトリック仮定なしで、真の変化点、または真の根因ストリームを含む信頼セットをユーザ特定確率で返却することで、このニーズを満たす。 しかし、実際には、観測は、例えば、外れ値、センサーの故障、あるいは逆境の摂動によって頻繁に破壊される。 これらの手順の有限サンプル被覆は汚染下で保存されるが、結果として生じる信頼集合は非形式的に大きくなる。 本稿では, 重み付きCONCH (W-CONCH) と重み付きCROC (W-CROC) を提案する。 この重み付け機構は、未知のデータ密度の形式的境界から派生したもので、既存の2階分類器に基づく不確実性信号(例えば、明らかな深層学習やベイズ学習など)を利用する。 W-CONCHとW-CROCは、信頼セットサイズの微分可能なサロゲートを最適化するウェイトに対するメタラーニング手順を導入することでさらに一般化される。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験により、不確実性ベースの重み付けはターゲットカバレッジを維持しながら信頼性セットのサイズを著しく減少させることが示された。

関連論文リスト

• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• Uncertainty in Federated Granger Causality: From Origins to Systemic Consequences [3.122408196953971]
  Granger Causality (GC)は時系列データから因果構造を学ぶための厳密なフレームワークを提供する。 フェデレーションGCアルゴリズムは因果関係を決定論的に推定し、不確実性を無視するのみである。 本稿では,不確実性を厳密に定量化するための最初の手法を確立する。
  論文  参考訳（メタデータ） (2026-02-13T15:12:18Z)
• Conditional Uncertainty-Aware Political Deepfake Detection with Stochastic Convolutional Neural Networks [0.0]
  生成画像モデルは、非常に現実的な政治的ディープフェイクの作成を可能にし、情報の完全性、公的な信頼、民主的なプロセスにリスクを及ぼす。 自動ディープフェイク検出器は、モデレーションと探索パイプラインにますます配備されているが、既存のシステムの多くは点予測のみを提供し、出力が信頼できないことを示さない。 本研究では,畳み込みニューラルネットワークを用いた条件付き,不確実性を考慮した政治的ディープフェイク検出を,経験的,意思決定指向の信頼性フレームワーク内で検討する。
  論文  参考訳（メタデータ） (2026-02-10T22:31:18Z)
• Decision-Aware Trust Signal Alignment for SOC Alert Triage [0.0]
  本稿では,SOC警告トリアージの信頼信号対応方式を提案する。 このフレームワークは、調整済みの信頼性、軽量不確実性、そしてコストに敏感な決定しきい値をコヒーレントな決定支持層に組み合わせている。 信頼度が不一致な表示によって偽陰性が大幅に増幅されるのに対し、コスト重み付き損失は決定整合信頼信号を持つモデル間での桁違いに減少することを示す。
  論文  参考訳（メタデータ） (2026-01-08T01:41:54Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Uncertainty-Driven Reliability: Selective Prediction and Trustworthy Deployment in Modern Machine Learning [1.2183405753834562]
  この論文は、不確実性推定が機械学習(ML)システムの安全性と信頼性を高める方法について考察する。 まず、モデルのトレーニング軌道は、アーキテクチャの変更や損失を伴わずに活用できるような、豊富な不確実性信号を含むことを示す。 本稿では,タスク間で動作し,深層アンサンブルのコストを回避し,最先端の選択的予測性能を実現する軽量なポストホック禁忌手法を提案する。
  論文  参考訳（メタデータ） (2025-08-11T02:33:53Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Gradient-Based Quantification of Epistemic Uncertainty for Deep Object Detectors [8.029049649310213]
  本稿では,新しい勾配に基づく不確実性指標を導入し,異なる物体検出アーキテクチャについて検討する。 実験では、真の肯定的/偽の正の判別と、結合上の交叉の予測において顕著な改善が示された。 また,モンテカルロのドロップアウト不確実性指標に対する改善や,さまざまな不確実性指標のソースを集約することで,さらなる大幅な向上が期待できる。
  論文  参考訳（メタデータ） (2021-07-09T16:04:11Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。