贝叶斯在线变点检测
本文介绍了对贝叶斯在线变点检测的推广,包括在线模型选择和非平稳时空过程。我们提出了空间结构化 Vector Autoregressions (VARs),用于建模变点 (CPs) 之间的过程,并给出了此类模型的近似误差上限。所得的算法在线进行预测、模型选择和 CP 检测。其时间复杂度是线性的,空间复杂度是恒定的,因此比最接近的竞争者快两个数量级。此外,它在多元数据方面优于现有技术。
May, 2018
本文提出了一种模型无关的贝叶斯在线学习方法,通过整合变点检测、切换动态系统和贝叶斯在线学习的思想来同时推断这些分布漂移并根据检测到的变化适应模型,能够在监督和无监督学习环境中使用,适用于概念漂移或协变漂移的环境,并在贝叶斯在线学习方法方面取得了改进。
Dec, 2020
离线变点检测通过识别时间序列中数据生成过程发生变化的点。我们针对至多一个变点的问题,提出使用概念矩阵来学习时间序列中指定训练窗口的特征动态。相关的随机循环神经网络作为数据的特征提取器,并通过特征化和代表性概念矩阵张成的空间之间的单变量距离来识别变点。这种模型无关的方法可以指引进一步研究的潜在兴趣点。我们证明,在温和的假设下,该方法提供了真实变点的一致估计,并通过原始数据的移动块自助法产生统计量的分位数估计。我们使用多类模拟数据对该方法进行测试,并通过聚类度量,图形方法和观察到的 Type 1 错误控制进行性能评估。我们将该方法应用于公开可用的大鼠神经数据,这些数据来自在探索放射迷宫之前经历非 REM 睡眠的阶段。
Aug, 2023
文章提出了一种用于检测局部平滑时间序列的协方差结构变化的统计假设检验方法,称为 Confirmatory BOCPD (CBOCPD),该方法通过确认统计显著性的变化和非变化来改善 Bayesian Online Change Point Detection (BOCPD) 算法,实验结果表明该算法产生了比现有方法更低的预测误差和更高的对数似然性。
May, 2019
该研究提出了一种强鲁棒性的 changepoint detection 方法,应用了 biweight loss 和动态规划算法,可用于在线数据分析和异常点去除,适用于诸如 well-log data、copy number variation 和无线设备篡改检测等领域。
Sep, 2016
本文提出一种新的方法来检测大型数据集中的多个变化点,通过找到代价函数的最小值,从而确定变化点的最优数量和位置,并且计算成本与现有方法相比显著降低。同时,与二进制分割算法相比,我们的方法可以显著提高数据推断分割的准确性。
Jan, 2011
提出了一种基于图表示相似性的扫描统计学方法,适用于任何具有信息相似性度量的数据集,并提供了准确的分析逼近,用于检测和估计单个变化点和变化时间间隔,通过模拟发现该方法在数据维度中等到较高时比现有方法更具有优势,案例应用包括经典小说作者的确定和网络时间上变化的检测。
Sep, 2012
本研究在一个在线概率学习框架中,首次将网络变化点检测问题形式化,并引入了一种可靠的方法。该方法结合了广义分层随机图模型和贝叶斯假设检验,可以定量确定变化点何时、如何精确地发生。在使用已知类型和大小变化点的合成数据进行分析时,证明该方法比以前使用的几种替代方法更准确。应用于两个高分辨率的演化社交网络场景,该方法识别了一系列的变化点,并与这些网络已知的外部 “冲击” 相一致。
Mar, 2014