Fugu-MT 論文翻訳(概要): High-Dimensional Online Change Point Detection with Adaptive Thresholding and Interpretability

論文の概要: High-Dimensional Online Change Point Detection with Adaptive Thresholding and Interpretability

arxiv url: http://arxiv.org/abs/2609.24278v1
Date: Mon, 21 Sep 2026 08:42:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-22 20:29:01.214272
Title: High-Dimensional Online Change Point Detection with Adaptive Thresholding and Interpretability
Title（参考訳）: Adaptive Thresholding and Interpretability を用いた高次元オンライン変化点検出
Abstract要約: 変化点検出(CPD)は、逐次データの突然かつ重要な変化を識別する。本稿では,Sliced Wasserstein (SW) 距離を利用して拡張性と解釈性を向上させる CPD フレームワークを提案する。同時に、インタープリタブルな変更ポイントアノテーションを生成するため、高レベルのアプリケーションにデプロイするのに実用的です。
参考スコア（独自算出の注目度）: 22.41489215805826
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Change point detection (CPD) identifies abrupt and significant changes in sequential data, with applications in human activity recognition, financial markets, cybersecurity, manufacturing, and autonomous systems. Traditional CPD methods often face computational challenges in high-dimensional settings and typically provide limited explanations for detected changes, which can restrict their practical usability. This paper introduces a CPD framework that improves scalability and interpretability by leveraging the Sliced Wasserstein (SW) distance. Our contributions are fourfold: (1) we transform multivariate sequential data into one-dimensional scores using the SW distance, making the resulting representation compatible with existing CPD methods; (2) we analyze the distributional behavior of random slices of the SW distance and show that, under suitable assumptions, they can be approximated by a Gamma distribution, providing a principled basis for threshold calibration; (3) we propose a self-adapting online CPD algorithm that combines this SW-based score with an adaptive quantile-based threshold; (4) we introduce a model-specific framework for generating contrastive explanations for annotated change points. Empirically, our method reduces false positives by at least $48\%$ on average compared with popular online and offline CPD baselines, while maintaining competitive or superior detection performance. Code is available at https://github.com/jsve96/SWCPD_Code. At the same time, it produces interpretable change-point annotations, making it practical for deployment in high-stakes applications.
Abstract（参考訳）: 変化点検出(CPD)は、人間の活動認識、金融市場、サイバーセキュリティ、製造、自律システムなど、シーケンシャルなデータの突然かつ重要な変化を識別する。従来のCDD手法は高次元の設定において計算上の問題に直面し、検出された変更に対して限定的な説明を提供することが一般的であり、実際的な使用性を制限することができる。本稿では,Sliced Wasserstein (SW) 距離を利用して拡張性と解釈性を向上させる CPD フレームワークを提案する。コントリビューションは,(1) SW距離を用いて逐次データを1次元のスコアに変換し,既存のCPD法と互換性を持たせること,(2) SW距離のランダムスライス分布を解析し,適切な仮定でガンマ分布で近似し,しきい値キャリブレーションの原理的基礎を与えること,(3) このSWに基づくスコアと適応的な量子的しきい値を用いた自己適応オンラインCPDアルゴリズムを提案すること,(4) 注釈付き変化点のコントラスト的説明を生成するためのモデル固有フレームワークを提案すること,の4つである。提案手法は,オンラインおよびオフラインのCDDベースラインと比較して,競合性や優れた検出性能を維持しつつ,偽陽性を平均4,8 %以上削減する。コードはhttps://github.com/jsve96/SWCPD_Codeで入手できる。同時に、インタープリタブルな変更ポイントアノテーションを生成するため、高レベルのアプリケーションにデプロイするのに実用的です。

関連論文リスト

Alignment Imprint: Zero-Shot AI-Generated Text Detection via Provable Preference Discrepancy [51.887915969023965]
現代のLarge Language Models (LLMs) がアライメントされ、測定可能な分布インプリントが残されていることを示す。高エントロピー領域における不安定性を軽減するため、ログライクなアライメント・アライメント・プレフレパシー(LAPD)を導入する。 LAPDはアライメントインプリントに基づく標準化された情報重み統計である。
論文参考訳（メタデータ） (2026-04-18T09:12:24Z)
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)
WATCH: Adaptive Monitoring for AI Deployments via Weighted-Conformal Martingales [22.789611187514975]
非パラメトリックシーケンシャルテストのメソッド -- 特にコンフォーマルテストマーチンチャル(CTM)と任意の時間価推論 -- は、この監視タスクに有望なツールを提供する。既存のアプローチは、限られた仮説クラスやアラーム基準の監視に限られています。」
論文参考訳（メタデータ） (2025-05-07T17:53:47Z)
Multimodal Instruction Disassembly with Covariate Shift Adaptation and Real-time Implementation [3.70729078195191]
我々は、ターゲットデバイスから電力とEMを同時に収集できる新しい小型プラットフォーム、RASCv3を導入する。我々は情報理論を用いてパワーとEMトレースから特徴を組み合わせ、選択するための新しいアプローチを考案した。オフラインおよびリアルタイムの命令分解器の認識率は、単一および複数モードの場合と比較する。
論文参考訳（メタデータ） (2024-12-10T17:00:23Z)
Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文参考訳（メタデータ） (2023-12-10T15:22:30Z)
Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
論文参考訳（メタデータ） (2023-11-06T22:13:10Z)
Greedy online change point detection [0.0]
Greedy Online Change Point Detection (GOCPD) は、2つの独立したモデルの(時間的)連結から来るデータの確率を最大化することにより、変化点を求める計算上魅力的な方法である。一つの変化点を持つ時系列の場合、この目的は不定意であり、対数複雑性を持つ3次探索によってCDDを高速化できることが示される。
論文参考訳（メタデータ） (2023-08-14T08:59:59Z)
Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文参考訳（メタデータ） (2021-12-12T06:11:16Z)
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。