論文の概要: Quickest Change Detection with Diffusion-Integrated Scores

• arxiv url: http://arxiv.org/abs/2610.12200v1
• Date: Thu, 08 Oct 2026 15:53:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.145653
• Title: Quickest Change Detection with Diffusion-Integrated Scores
• Title（参考訳）: 拡散積分スコアによる急激な変化検出
• Abstract要約: 古典的 CUSUM は、基礎となる分布の対数様比に依存する。 本研究では,拡散積分スコアCUSUM (DI-SCUSUM) を提案する。
• 参考スコア（独自算出の注目度）: 43.573969710100926
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classical CUSUM relies on the log-likelihood ratio of the underlying distributions, which cannot generally be computed from finite pre- and post-change samples alone. We propose diffusion-integrated score CUSUM (DI-SCUSUM), a training-free detector. We add Gaussian noise to the samples to form two smooth density estimates and calculate their Hyvärinen scores exactly, without training a score network. For each incoming observation, we sample a diffusion time, perturb the observation, and use the importance-weighted score difference as an increment in the DI-SCUSUM recursion. Under the assumption that observations follow the fixed empirical distributions, the post-change mean increment is proportional to the Kullback-Leibler (KL) divergence from the smoothed post-change to the smoothed pre-change empirical distribution. We establish exponential false-alarm scaling and a first-order delay bound that, for a fixed threshold and increment scaling, is inversely proportional to the KL divergence. In the calibrated anisotropic Gaussian simulation, DI-SCUSUM nearly matches likelihood-ratio CUSUM and reduces the measured detection delay by about 91% relative to score-based CUSUM. On MNIST and Oxford-IIIT Pet, DI-SCUSUM also has lower empirical conditional detection delay than SCUSUM at comparable false-alarm levels.
• Abstract（参考訳）: 古典的 CUSUM は、基礎となる分布の対数様比に依存しており、一般に有限の前変と後変のサンプルだけでは計算できない。 本研究では,拡散積分スコアCUSUM (DI-SCUSUM) を提案する。 サンプルにガウス雑音を加えて2つの滑らかな密度推定を行い、スコアネットワークを訓練することなくヒュヴェリネンのスコアを正確に算出する。 入ってくる観測ごとに拡散時間をサンプリングし、観測を摂動させ、重み付けされたスコア差をDI-SCUSUM再帰のインクリメントとして利用する。 観測が固定された経験分布に従うという仮定の下で、後変化の平均インクリメントは、スムーズな後変化からスムーズな前変化の経験分布へのクルバック・リーブラー(KL)の偏差に比例する。 指数的偽アラームスケーリングと1次遅延バウンドを確立し、固定しきい値と増分スケーリングに対して、KLの発散に逆比例する。 校正された異方性ガウスシミュレーションでは、DI-SCUSUMは確率比CUSUMとほぼ一致し、測定された検出遅延をスコアベースCUSUMと比較して約91%削減する。 MNISTとOxford-IIIT Petでは、DI-SCUSUMはSCUSUMと同等の偽アラームレベルにおいて経験的条件検出遅延が低い。

関連論文リスト

• Two-Sample Testing via Generative Processes [60.42943145582429]
  生成輸送は、2つのサンプルが同じ分布から来るかどうかを決定する新しい方法を提供する。 2つのサンプルの間に直接補間体を構築し、対称スケジュールでは、その法則が時間反射の下で不変であることを観察する。 したがって、t と 1-t の辺辺が、Jensen-Shannon の発散を計算することで一致するかどうかをテストする。
  論文  参考訳（メタデータ） (2026-10-06T12:48:27Z)
• Variance-Reduced Diffusion Sampling via Target Score Identity [0.0]
  クリーンな(ターゲット)スコアが利用可能か,あるいは近似可能な設定において,スコア推定と拡散に基づくサンプリングの分散化について検討した。 我々は、標準の逆時間解法と互換性のあるプラグアンドプレイ非パラメトリックな自己正規化重要度サンプリング推定器を開発した。 PDE-Governed Inverse問題と合成ターゲット実験により, 固定シミュレーション予算に対する試料品質の改善が示された。
  論文  参考訳（メタデータ） (2026-01-04T16:46:31Z)
• Likelihood Matching for Diffusion Models [2.17741936620649]
  学習拡散モデルのためのLikelihood Matchingアプローチを提案する。 準類似性は、ガウス分布によって各逆遷移密度を近似すると考えられる。 推定スコアとヘッセン情報の両方を利用する計算を容易にするために、サンプリング器が導入された。
  論文  参考訳（メタデータ） (2025-08-05T16:51:29Z)
• Kernel-Smoothed Scores for Denoising Diffusion: A Bias-Variance Study [3.265950484493743]
  拡散モデルは暗記しがちである。 スコアの正規化は、トレーニングデータセットのサイズを増やすのと同じ効果がある。 この視点は、拡散をデノナイズする2つの規則化機構を強調する。
  論文  参考訳（メタデータ） (2025-05-28T20:22:18Z)
• Your Absorbing Discrete Diffusion Secretly Models the Conditional Distributions of Clean Data [55.54827581105283]
  本研究では, 吸収拡散の具体的なスコアを, クリーンデータの条件付き確率として表すことができることを示す。 時間に依存しない条件付き確率を特徴付ける時間条件のない専用拡散モデルを提案する。 5つのゼロショット言語モデルベンチマークにおける拡散モデル間のSOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-06-06T04:22:11Z)
• An Evaluation of Real-time Adaptive Sampling Change Point Detection Algorithm using KCUSUM [4.610597418629838]
  本稿では,Kernel-based Cumulative Sum (KCUSUM)アルゴリズムを導入し,従来のCumulative Sum (CUSUM) 法を非パラメトリック拡張する。 KCUSUMは、入ってくるサンプルを参照サンプルと直接比較することで自身を分割し、最大平均離散(MMD)非パラメトリックフレームワークに基礎を置く統計を計算する。 我々は,NWChem CODARやタンパク質折り畳みデータなどの科学シミュレーションによる実世界のユースケースについて論じ,オンライン変化点検出におけるKCUSUMの有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-15T19:45:24Z)
• Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
  Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。 本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:15:28Z)

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。