論文の概要: Distribution-free inference on the number of changepoints

• arxiv url: http://arxiv.org/abs/2609.08234v1
• Date: Tue, 08 Sep 2026 04:26:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.577245
• Title: Distribution-free inference on the number of changepoints
• Title（参考訳）: 変化点数に対する分布自由推論
• Abstract要約: K$ に束縛された分布自由な上層信頼度は自明で非形式的でなければならないことを示す。 我々は、$K$に有界な有限サンプル有効低信頼度を構築し、これを変更点数(CLOCC)に有界な等角曲線(Conformal LOwer)と呼ぶ。
• 参考スコア（独自算出の注目度）: 36.191356601153146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Suppose we are given an ordered sequence of independent data whose distribution changes $K$ times at unknown locations, for some unknown $K \geq 0$. In this paper, we study the problem of performing distribution-free inference on $K$. First, we show an impossibility result: any distribution-free upper confidence bound on $K$ must be trivial and uninformative. Then, using conformal $p$-values, and under only the assumption that the data segments induced by the changepoints are exchangeable (within themselves) and mutually independent, we construct a finite-sample valid lower confidence bound on $K$, which we call the Conformal LOwer bound on Changepoint Count (CLOCC). We show that CLOCC is the only feasible way to provide a lower bound on $K$ under the stated assumptions, a property we refer to as its universality. We provide practical guidelines for choosing score functions that yield efficient and tight lower bounds. We evaluate CLOCC in several synthetic and real-data experiments, where it provides informative lower bounds on $K$, demonstrating its practical applicability.
• Abstract（参考訳）: ある未知の$K \geq 0$に対して、分布が未知の場所でK$時間に変化する独立したデータの順序列が与えられると仮定する。 本稿では,$K$における分布自由推論の問題点について考察する。 まず、K$ に有界な分布自由な高信頼は自明で非形式的でなければならない。 次に、共形$p$-値を用いて、変化点によって引き起こされるデータセグメントが交換可能(それ自身で)かつ相互に独立であるという仮定の下で、我々は、$K$に束縛された有限サンプル有効低信頼度を構築し、変更点数(CLOCC)に束縛されたコンフォーマル・ローワー(英語版)(Conformal LOwer bound on Changepoint Count)と呼ぶ。 我々は、CLOCCが、記述された仮定の下で$K$の低い境界を与える唯一の実現可能な方法であることを示す。 効率的かつ厳密な下限を持つスコア関数を選択するための実践的ガイドラインを提供する。 我々は、CLOCCをいくつかの合成および実データ実験で評価し、そこでは、その実用性を示すために、$K$の情報的低いバウンドを提供する。

関連論文リスト

• Robust Average-Reward Markov Decision Processes: Minimax-Optimal Learning via Plug-in Reductions [51.50375419691955]
  分布的に堅牢なマルコフ決定プロセスは、モデルの不確実性の下でのシーケンシャルな意思決定のための原則化されたフレームワークを提供する。 我々は,平均回帰基準の下で,$varepsilon$-Optimal robust policyを学習するのに必要なサンプル数と十分なサンプル数について検討した。
  論文  参考訳（メタデータ） (2026-08-06T19:49:48Z)
• When Are Trade-Off Functions Testable from Finite Samples? [4.706977254727891]
  2つの未知確率分布のトレードオフ関数に対する有限サンプル推論について検討する。 テストの反転により、トレードオフ曲線全体に対する同時信頼バンドも得られる。
  論文  参考訳（メタデータ） (2026-05-11T16:07:48Z)
• Convergence Rate Analysis of LION [54.28350823319057]
  LION は、勾配カルシュ=クーン=T (sqrtdK-)$で測定された $cal(sqrtdK-)$ の反復を収束する。 従来のSGDと比較して,LIONは損失が小さく,性能も高いことを示す。
  論文  参考訳（メタデータ） (2024-11-12T11:30:53Z)
• Identifying General Mechanism Shifts in Linear Causal Representations [58.6238439611389]
  我々は,未知の潜在因子の線形混合を観測する線形因果表現学習環境について考察する。 近年の研究では、潜伏要因の復元や、それに基づく構造因果モデルの構築が可能であることが示されている。 非常に穏やかな標準仮定の下では、シフトしたノードの集合を識別することが可能である。
  論文  参考訳（メタデータ） (2024-10-31T15:56:50Z)
• Gradual Domain Adaptation via Manifold-Constrained Distributionally Robust Optimization [0.4732176352681218]
  本稿では、多様体制約データ分布のクラスにおける段階的領域適応の課題に対処する。 本稿では,適応的なワッサースタイン半径を持つ分布ロバスト最適化(DRO)を基礎とした手法を提案する。 我々のバウンダリは、新たに導入されたそれとの互換性尺度に依存しており、シーケンスに沿ったエラー伝搬のダイナミクスを完全に特徴付けています。
  論文  参考訳（メタデータ） (2024-10-17T22:07:25Z)
• Fast Rates for Bandit PAC Multiclass Classification [73.17969992976501]
  我々は,帯域幅フィードバックを用いたマルチクラスPAC学習について検討し,入力を$K$ラベルの1つに分類し,予測されたラベルが正しいか否かに制限する。 我々の主な貢献は、問題の無知な$(varepsilon,delta)$PACバージョンのための新しい学習アルゴリズムを設計することである。
  論文  参考訳（メタデータ） (2024-06-18T08:54:04Z)
• Invariant Causal Prediction with Local Models [52.161513027831646]
  観測データから対象変数の因果親を特定するタスクについて検討する。 L-ICP(textbfL$ocalized $textbfI$nvariant $textbfCa$usal $textbfP$rediction)と呼ばれる実用的手法を導入する。
  論文  参考訳（メタデータ） (2024-01-10T15:34:42Z)
• On Rate-Optimal Partitioning Classification from Observable and from Privatised Data [4.2931743492904095]
  分割分類の古典的手法を再検討し, 緩和条件下での収束率について検討する。 我々は、$d$次元ユークリッド空間における分類の問題を考える。
  論文  参考訳（メタデータ） (2023-12-22T18:07:18Z)
• Online non-parametric likelihood-ratio estimation by Pearson-divergence functional minimization [55.98760097296213]
  iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。 本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
  論文  参考訳（メタデータ） (2023-11-03T13:20:11Z)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• The Sample Complexity of Approximate Rejection Sampling with Applications to Smoothed Online Learning [29.44582058149344]
  n$ の関数としての最適総変分距離が $tildeTheta(fracDf'(n))$ によって与えられることを示す。 次に、スムーズなオンライン学習という非常に異なる分野のアプリケーションを検討します。
  論文  参考訳（メタデータ） (2023-02-09T14:20:14Z)
• Beyond Invariance: Test-Time Label-Shift Adaptation for Distributions with "Spurious" Correlations [44.99833362998488]
  テスト時のデータ分散の変化は、予測モデルのパフォーマンスに有害な影響を及ぼす可能性がある。 本研究では,未ラベルサンプルに適用したEMを用いて,共同分布の$p(y, z)$の変化に適応するテストタイムラベルシフト補正を提案する。
  論文  参考訳（メタデータ） (2022-11-28T18:52:33Z)
• Diverse, Global and Amortised Counterfactual Explanations for Uncertainty Estimates [31.241489953967694]
  このような集合の多様性を研究し、多くの CLUE が冗長であることを示す。 そこで我々は,不確実な入力の特定のグループに対する償却写像を学習する,GLobal AMortized CLUE (GLAM-CLUE) を提案する。 実験の結果,$delta$-CLUE,$nabla$-CLUE,およびGLAM-CLUEはすべて,CLUEの欠点に対処し,不確実性推定を実践者に有益に説明できることを示した。
  論文  参考訳（メタデータ） (2021-12-05T18:27:21Z)
• Optimal rates for independence testing via $U$-statistic permutation tests [7.090165638014331]
  独立分布と同一分布のペアが$sigma$-finiteで分離可能な測度空間で値を取る独立性テストの問題について検討する。 最初に、独立性の有効なテストはなく、$f: D(f) geq rho2 $ という形の代替と一様に一致していることを示す。
  論文  参考訳（メタデータ） (2020-01-15T19:04:23Z)

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。