Training Neural Networks for Sequential Change-point Detection

要約

【タイトル】
連続する変化点検出のためのニューラルネットワークのトレーニング

【要約】
– 変化点検出は、統計学や信号処理において基本的な問題である。
– ニューラルネットワークをトレーニングし、CUSUMの再帰によってトレーニングされた識別関数をテストサンプルに適用することで、オンライン変化点検出のための新しいアプローチを提供する。
– ニューラルネットワークをロジスティック損失によってトレーニングすることで、対数尤度関数につながることが観察された。
– 合成データと実世界のデータを使用して、NN-CUSUMの高次元データの検出性能を実証した。

【要点】
– 変化点検出は、統計学や信号処理において基本的な問題である。
– ニューラルネットワークをトレーニングし、CUSUM再帰によって変化点を検出する新しいアプローチを提供する。
– ニューラルネットワークはロジスティック損失を使用してトレーニングされ、対数尤度関数につながることが観察された。
– 合成データと実世界のデータを使用して、NN-CUSUMの高次元データの検出性能が実証された。

要約(オリジナル)

Detecting an abrupt distributional shift of the data stream, known as change-point detection, is a fundamental problem in statistics and signal processing. We present a new approach for online change-point detection by training neural networks (NN), and sequentially cumulating the detection statistics by evaluating the trained discriminating function on test samples by a CUSUM recursion. The idea is based on the observation that training neural networks through logistic loss may lead to the log-likelihood function. We demonstrated the good performance of NN-CUSUM in the detection of high-dimensional data using both synthetic and real-world data.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI