[2026年7月29日提交]

查看 PDF HTML（实验性）

摘要：检测工程系统统计行为何时发生变化，并识别出责任组件，是电信网络、机器人平台、安全基础设施和多智能体系统监控中的核心问题。在安全和任务关键型部署中，此类决策必须伴随统计可靠性保证，而非仅依赖点估计。一致性变点定位（CONCH）和一致性根因分析（CROC）通过返回置信集，满足了这一需求：在用户指定概率下包含真实变点或真实根因流，且无需对数据生成过程做出参数化假设。然而，实际观测常常受损，例如受异常值、传感器故障或对抗性扰动的影响。虽然这些方法在污染条件下的有限样本覆盖率保持不变，但产生的置信集可能变得过大而失去参考价值。本文采用 Huber 型污染模型，提出加权 CONCH（W-CONCH）和加权 CROC（W-CROC），通过降低可能受损观测的权重，以减小置信集尺寸。该加权机制源自对未知受损数据密度的正式界限，利用了已有的二阶分类器不确定性信号，例如证据深度学习或贝叶斯学习产生的信号。W-CONCH 和 W-CROC 进一步通过引入元学习过程对权重进行优化，该过程最小化置信集尺寸的可微代理。在基于图像和真实世界变点及根因基准上的实验表明，基于不确定性的加权方法在保持目标覆盖率的同时显著减小了置信集尺寸。

提交历史

来自：Seunghun Yu 先生 [查看邮箱]
[v1] 2026年7月29日，星期三 05:16:59 UTC (1,283 KB)