[2026年7月29日投稿]

PDFを表示 HTML（実験的）

要約:工学システムの統計的挙動が変化した時点を検出し、どのコンポーネントが原因であるかを特定することは、通信ネットワーク、ロボットプラットフォーム、セキュリティインフラ、マルチエージェントシステムの監視における中核的な問題です。安全性やミッションクリティカルな運用では、これらの判断は点推定だけでなく、統計的な信頼性保証を伴う必要があります。共形変化点定位（CONCH）と共形根本原因解析（CROC）は、パラメトリックな仮定を置かずに、ユーザーが指定した確率で真の変化点または真の根本原因ストリームを含む信頼集合を返すことで、この要求を満たします。しかし実際には、観測値は外れ値、センサー故障、敵対的摂動などにより頻繁に汚染されます。これらの手法の有限標本被覆率は汚染下でも保たれますが、得られる信頼集合は情報量が乏しく大きくなりすぎることがあります。本論文では、Huber型の汚染モデルを採用し、汚染された可能性のある観測値の重みを下げることで、データが汚染されている場合でも信頼集合のサイズを縮小することを目指す、重み付けCONCH（W-CONCH）と重み付けCROC（W-CROC）を提案します。この重み付けメカニズムは、未知の汚染データ密度に対する形式的な上界から導出され、証拠型深層学習やベイズ学習などが生成する既存の2次分類器ベースの不確実性信号を活用します。さらに、信頼集合サイズの微分可能な代理関数を最適化する重みのメタ学習手順を導入し、W-CONCHとW-CROCを一般化します。画像ベースおよび実世界の変化点・根本原因ベンチマーク実験により、不確実性に基づく重み付けが目標被覆率を維持しつつ信頼集合サイズを大幅に削減することを示します。

投稿履歴

投稿者: Seunghun Yu氏 [メールを表示]
[v1] 2026年7月29日（水）05:16:59 UTC (1,283 KB)