抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本論文では,事前および事後分布の知識が利用できない場合,時系列データの統計的変化を決定するための教師なし密度比推定(DRE)ベースのアプローチであるDRE-CUSUMを提示した。提案手法の背後にあるコアアイデアは,任意の点で時系列を分割し,分割ポイントの前後における分布密度の比率(ニューラルネットワークのようなパラメトリックモデルを用いる)を推定することである。次に,DRE-CUSUM変化検出統計を,推定密度比の対数の累積和(CUSUM)から導いた。提案した統計量が,分割点に関係なく,統計的変化を確実に検出できることを示す精度保証と同様に,理論的正当化を示した。変化検出に対する密度比ベースの方法を用いた事前研究があるが,知る限りでは,これは理論的正当化と精度保証を有する最初の教師なし変化検出アプローチである。提案フレームワークの単純さは,様々な実用的設定(高次元時系列データを含む)に容易に適用できる。また,オンライン変化検出のための一般化を論じた。著者らは,既存の最先端の教師なしアルゴリズム(Bayesオンライン変化検出,その変種,いくつかの他の発見的方法)に対する合成および実世界データセットの両方を用いたDRE-CUSUMの優位性を実験的に示した。【JST・京大機械翻訳】