論文の概要: Bagel: A Fast Bayesian Online Changepoint Detection Algorithm for Linear Models via Posterior Merging

• arxiv url: http://arxiv.org/abs/2611.03230v1
• Date: Mon, 02 Nov 2026 14:48:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 05:41:48.768373
• Title: Bagel: A Fast Bayesian Online Changepoint Detection Algorithm for Linear Models via Posterior Merging
• Title（参考訳）: Bagel: 後方マージによる線形モデルに対する高速ベイズオンライン変更点検出アルゴリズム
• Abstract要約: 厳密なベイズ推論は、変化が起こったかどうかの後方を逐次更新する。 回帰モデルのクラスに対して、この後部を計算・更新するための統一的なアプローチを提案する。 マージにより,変化が発生した場合の後方近似の精度が向上することを示す。
• 参考スコア（独自算出の注目度）: 2.714583452862024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian online changepoint detection provides a natural framework for quantifying uncertainty about whether and when a change has occurred. It also enables the use of prior information which can increase detection power. Exact Bayesian inference sequentially updates the posterior of whether and when a change has occurred. We present a unified approach to calculating and updating this posterior for a class of regression models covering standard changepoint scenarios, such as changes in mean and slope, whilst also allowing common structure such as seasonal effects. However, naive implementation has a computational cost that increases linearly over time. We, further, introduce approximate updates that keep this cost constant. These are based on novel ideas of merging changepoint times, and are an alternative to existing pruning approaches. We show that merging enables better approximations of the posterior of when a change occurs. Furthermore, we introduce a novel condition for merging that accounts for both the posterior probability of the changepoint times and the similarity of their corresponding post-change parameters. We show that this is more accurate than conditions that only consider the former. We demonstrate the advantage of our approach on simulated data, and the Azure LLM inference traces.
• Abstract（参考訳）: ベイジアンオンライン変更点検出は、変化が起こったかどうか、いつ起きたかの不確実性を定量化する自然なフレームワークを提供する。 また、検出能力を向上できる事前情報の利用も可能である。 厳密なベイズ推論は、変化が起こったかどうかの後方を逐次更新する。 本稿では,標準変更点のシナリオ(平均値や傾斜値の変化など)を網羅した回帰モデルに対して,この後部を計算・更新するための統一的なアプローチを提案する。 しかし、単純実装は時間とともに線形に増加する計算コストを持つ。 さらに、このコストを一定に保つような近似的な更新も導入します。 これらは、変更ポイントタイムをマージする新しいアイデアに基づいており、既存のプルーニングアプローチに代わるものだ。 マージにより,変化が発生した場合の後方近似の精度が向上することを示す。 さらに、変化点時間の後続確率と、それに対応する変化後のパラメータの類似性の両方を考慮に入れたマージのための新しい条件を導入する。 これは前者のみを考慮した条件よりも正確であることを示す。 シミュレーションデータとAzure LLM推論トレースに対するアプローチの利点を実証する。

関連論文リスト

• Post-detection inference for sequential changepoint localization [29.43493007296859]
  本研究では、任意の逐次検出アルゴリズムが変更を宣言するデータ依存停止時間までのデータのみを用いて、未知の変更点に対する信頼セットを構築するフレームワークを開発する。 我々のフレームワークは非パラメトリックであり、複合的なポストチェンジクラス、観測空間、あるいは使用されるシーケンシャルな検出手順を仮定せず、漸近的に有効である。
  論文  参考訳（メタデータ） (2025-02-10T02:01:30Z)
• Change Point Detection with Conceptors [0.6526824510982799]
  オフラインの変更点検出は、時系列内の変更点を振り返って特定する。 平均と分散の変化を対象とする多くの非パラメトリック手法は、非線形時間依存の存在下では失敗する。 本稿では,任意の依存構造を持つベースライン学習窓の特性を学習するための概念行列を提案する。 関連するエコー状態ネットワークはデータのデファシライザとして機能し、特徴間の相互作用の性質とベースライン状態との関係から変化点を識別する。
  論文  参考訳（メタデータ） (2023-08-11T16:32:00Z)
• Robust Counterfactual Explanations for Neural Networks With Probabilistic Guarantees [11.841312820944774]
  我々は、微分可能なモデルに対する潜在的なモデル変更に対する反ファクトの堅牢性を定量化するために、 $textitStability$ と呼ぶ尺度を提案します。 私たちの主な貢献は、十分高い値のtextitStability$の反ファクトが、高い確率でポテンシャルモデルが変化した後も有効であることを示すことです。
  論文  参考訳（メタデータ） (2023-05-19T20:48:05Z)
• Deep learning model solves change point detection for multiple change types [69.77452691994712]
  変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。 本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-15T09:44:21Z)
• E-detectors: a nonparametric framework for sequential change detection [86.15115654324488]
  逐次的変化検出のための基本的かつ汎用的なフレームワークを開発する。 私たちの手順は、平均走行距離のクリーンで無症状な境界が伴います。 統計的および計算効率の両方を達成するために,これらの混合物を設計する方法を示す。
  論文  参考訳（メタデータ） (2022-03-07T17:25:02Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Optimal Change-Point Detection with Training Sequences in the Large and Moderate Deviations Regimes [72.68201611113673]
  本稿では,情報理論の観点から,新しいオフライン変化点検出問題について検討する。 基礎となる事前および変更後分布の知識は分かっておらず、利用可能なトレーニングシーケンスからのみ学習できると仮定する。
  論文  参考訳（メタデータ） (2020-03-13T23:39:40Z)

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。