論文の概要: A Mixture-of-Experts Framework for Multi-Stream Quickest Change Detection
- arxiv url: http://arxiv.org/abs/2610.20876v1
- Date: Wed, 14 Oct 2026 20:07:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.054575
- Title: A Mixture-of-Experts Framework for Multi-Stream Quickest Change Detection
- Title（参考訳）: マルチストリームクイック変更検出のためのMixture-of-Expertsフレームワーク
- Abstract要約: 最も速い変更検出のために、Mixture-of-Experts (MoE)フレームワークが提案されている。
これらの統計の重み付け和がしきい値を超えた場合、変更が宣言される。
マルチストリームデータのためのMoEベースのQCDアルゴリズムは、RWSスキームより優れている。
- 参考スコア（独自算出の注目度）: 15.474676944609406
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A Mixture-of-Experts (MoE) framework is proposed for quickest change detection (QCD) where there are multiple experts, and each expert produces a sequence of statistics for change detection. A change is declared when a weighted sum of these statistics crosses a threshold. This framework is then applied to the problem of multi-stream QCD to obtain a family of powerful algorithms that outperform the best known algorithms in the literature. In the multi-stream QCD problem, a decision-maker observes multiple streams of observations. At the change point, the distribution of an unknown subset of the streams changes. The optimal algorithm based on a generalized likelihood ratio is computationally expensive. One of the most computationally and performance-efficient algorithms in the literature is the rank-weighted sum (RWS) scheme based on Shiryaev-Roberts statistics. It is shown in the paper that the MoE-based QCD algorithm for multi-stream data outperforms the RWS scheme. This is demonstrated through simulation results on real-valued Gaussian mean shift data and high-dimensional data from Gaussian--Bernoulli Restricted Boltzmann Machines (GB-RBMs).
- Abstract（参考訳）: 複数の専門家がいる最短変更検出(QCD)のために、Mixture-of-Experts (MoE)フレームワークが提案され、各専門家が変更検出のための統計データを生成する。
これらの統計の重み付け和がしきい値を超えた場合、変更が宣言される。
このフレームワークは、多ストリームQCDの問題に適用され、文献で最もよく知られたアルゴリズムより優れた強力なアルゴリズムの族が得られる。
マルチストリームQCD問題では、意思決定者は複数の観測ストリームを観察する。
変更点において、ストリームの未知の部分集合の分布が変化する。
一般化確率比に基づく最適アルゴリズムは計算コストが高い。
文献における最も計算的かつ性能効率のよいアルゴリズムの1つは、シリャーエフ・ロバーツ統計に基づくランク重み付け和(RWS)スキームである。
論文では、マルチストリームデータに対するMoEベースのQCDアルゴリズムが、RWS方式よりも優れていることを示す。
実数値ガウス平均シフトデータとガウス-ベルヌールリ制限ボルツマンマシン(GB-RBMs)の高次元データについてシミュレーション結果を用いて実証した。
関連論文リスト
- Adaptive Sampled Softmax with Inverted Multi-Index: Methods, Theory and Applications [79.53938312089308]
MIDX-Samplerは、逆多重インデックスアプローチに基づく新しい適応型サンプリング戦略である。
本手法は, サンプリングバイアス, 勾配バイアス, 収束速度, 一般化誤差境界などの重要な問題に対処するため, 厳密な理論的解析によって裏付けられている。
論文 参考訳（メタデータ） (2025-01-15T04:09:21Z) - MIMO Detection via Gaussian Mixture Expectation Propagation: A Bayesian Machine Learning Approach for High-Order High-Dimensional MIMO Systems [0.0]
効率的なアップリンク(UL)
MIMO検出アルゴリズムは、これらの信号を正確に復号し、堅牢な通信を保証するために重要である。
このアルゴリズムは、計算複雑性を低く保ちながら、アート検出アルゴリズムの状態を上回ります。
論文 参考訳（メタデータ） (2024-12-12T08:53:23Z) - Coverage Analysis for Digital Cousin Selection -- Improving Multi-Environment Q-Learning [24.212773534280387]
近年の進歩としては、マルチ環境混合Q-ラーニング(MEMQ)アルゴリズムがある。
MEMQアルゴリズムは、精度、複雑さ、堅牢性の点で、最先端のQ-ラーニングアルゴリズムよりも優れています。
本稿では,既存のMEMQアルゴリズムの精度と複雑さを改善するために,新しいCCベースのMEMQアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-11-13T06:16:12Z) - An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-30T15:57:14Z) - Quickest Change Detection for Unnormalized Statistical Models [36.6516991850508]
本稿では,最も高速な変化検出のための古典的累積和(CUSUM)アルゴリズムの新たな変種を開発する。
SCUSUMアルゴリズムは、正規化されていない統計モデルに対する変更検出の応用を可能にする。
論文 参考訳（メタデータ） (2023-02-01T05:27:34Z) - A Semiparametric Efficient Approach To Label Shift Estimation and
Quantification [0.0]
本稿では、応答変数の分布の変化を推定するSELSEと呼ばれる新しい手順を提案する。
SELSEの正規化誤差は、その家系の他のどのアルゴリズムよりも最小の分散行列を持つことを示す。
論文 参考訳（メタデータ） (2022-11-07T07:49:29Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳（メタデータ） (2022-09-16T19:15:50Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳（メタデータ） (2021-08-23T21:03:09Z) - Finite-Bit Quantization For Distributed Algorithms With Linear
Convergence [6.293059137498172]
量子化された通信対象のメッシュネットワーク上での(強い凸)複合最適化問題に対する分散アルゴリズムについて検討する。
通信効率のよい符号化方式と結合した新しい量子化器を提案し, バイアス圧縮(BC-)ルールを効率的に実装した。
数値計算により,提案手法を応用した分散アルゴリズムは,既存の量子化規則を用いたアルゴリズムよりも,通信の複雑さが高いことが示された。
論文 参考訳（メタデータ） (2021-07-23T15:31:31Z) - Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。
我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。
得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文 参考訳（メタデータ） (2020-02-21T17:45:32Z) - Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。
アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。
ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文 参考訳（メタデータ） (2020-02-20T10:50:58Z)
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。