[Submitted on 29 Jul 2026]

View PDF HTML (experimental)

Abstract:偵測工程系統的統計行為何時發生變化，並找出哪個元件應負其責，是電信網路、機器人平台、安全基礎設施以及多代理系統監控的核心問題。在安全與任務關鍵的部署中，此類決策必須附帶統計可靠性的保證，而非僅依賴單一點估計值。共形變點定位（CONCH）與共形根本原因分析（CROC）透過回傳包含真實變點或真實根本原因串流之信賴集合，滿足此一需求，該集合具備使用者指定的機率，且無需對資料生成過程進行參數假設。然而，在實際應用中，觀測值經常受到污染，例如離群值、感測器故障或對抗性擾動。雖然這些程序在污染情境下仍能維持有限樣本覆蓋率，但產生的信賴集合可能變得過大而缺乏資訊。本文採用 Huber 型污染模型，提出加權 CONCH（W-CONCH）與加權 CROC（W-CROC），透過降低可能受到污染的觀測值權重，以縮小資料可能受污染時的信賴集合大小。權重機制源自對未知污染資料密度的形式化界限，利用既有的二階分類器型不確定性訊號，例如證據深度學習或貝氏學習所產生的訊號。W-CONCH 與 W-CROC 進一步透過引入權重元學習程序進行泛化，該程序最佳化信賴集合大小的可微分替代函數。在影像與真實世界變點及根本原因基準上的實驗顯示，基於不確定性的加權能大幅縮小信賴集合大小，同時維持目標覆蓋率。

Submission history

From: Seunghun Yu Mr. [view email]
[v1] Wed, 29 Jul 2026 05:16:59 UTC (1,283 KB)