シードバイナリセグメンテーション:高速で最適な変化点検出のための一般的方法論【JST・京大機械翻訳】

Kovacs Solt; Li Housen; Buehlmann Peter; Munk Axel

プレプリント

J-GLOBAL ID：202202205502727252 整理番号：22P0112365

シードバイナリセグメンテーション:高速で最適な変化点検出のための一般的方法論【JST・京大機械翻訳】

Seeded Binary Segmentation: A general methodology for fast and optimal change point detection

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年02月16日プレプリントサーバーでの情報更新日： 2020年02月16日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

近年,大規模変化点検出問題に対する効率的なアルゴリズムに関する需要が高まっている。この目的のために,単一変化点が探索されたシード間隔と呼ばれる背景間隔の決定論的構築に依存するアプローチであるシードバイナリセグメンテーションを提案した。シード間隔からの候補に基づく変化点の最終選択は,手で問題に適応した様々な方法で行うことができる。このように,シードバイナリセグメンテーションは,広範囲の変化点検出問題に適応し,一変量,多変量または高次元でさえ,小形である。平均設定における単変量Gauss変化を詳細に考察した。この特定事例に対して,シードバイナリセグメンテーションは,変化点の数に無関係に,近線形時間アプローチ(即ち,対数因子まで線形)を導くことを示した。さらに,適切な選択法を用いて,この方法論は漸近的にミニマックス最適であることを示した。計算的により効率的であるが,有限サンプル推定性能は,最新の手順の状態と比較して,競争力が残っている。さらに,逆共分散変化点検出問題による高次元設定のための方法論を例証し,提案の提案は,まだ良好な統計的性能を示す一方で,大規模な計算利得をもたらす。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

数値計算 , 信号理論

前のページに戻る