Anomaly Search Over Many Sequences With Switching Costs

要約

このホワイト ペーパーでは、多数のデータ ストリームの中から異常を識別するための最速の検索問題を検討します。
これらのストリームは、たとえば、移動ロボットによって監視されるばらばらの領域をモデル化できます。
特定の課題は、ロボットが領域間を移動するのに費やさなければならない時間など、サンプリングされるデータ ストリームが変化するたびに、実験者がコストを負担しなければならない問題のバージョンです。
この論文では、アルゴリズムがいつ新しいデータ ストリームに切り替わるかを決定する信頼度しきい値を変更することで、切り替えコストを説明するアルゴリズムを提案します。
私たちの主な貢献は、このしきい値の最適値と、ストリームをいつ再サンプリングする必要があるかを決定するパラメーターの最適値の両方について、簡単に計算できる近似値です。
さらに、(i) 関心のあるスイッチング コストの均一な改善、および (ii) 最も近い利用可能なアルゴリズムと比較した場合の小さなスイッチング コストのほぼ同等のパフォーマンスを経験的に示します。

要約(オリジナル)

This paper considers the quickest search problem to identify anomalies among large numbers of data streams. These streams can model, for example, disjoint regions monitored by a mobile robot. A particular challenge is a version of the problem in which the experimenter must suffer a cost each time the data stream being sampled changes, such as the time the robot must spend moving between regions. In this paper, we propose an algorithm which accounts for switching costs by varying a confidence threshold that governs when the algorithm switches to a new data stream. Our main contributions are easily computable approximations for both the optimal value of this threshold and the optimal value of the parameter that determines when a stream must be re-sampled. Further, we empirically show (i) a uniform improvement for switching costs of interest and (ii) roughly equivalent performance for small switching costs when comparing to the closest available algorithm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google