Jun, 2015

高斯过程的最优变点检测

PDF
TL;DR该研究探讨了一维高斯过程数据的均值变化检测问题，并提出了基于广义似然比检验的检测方法，该方法在固定域和增长域的两个设置中都几乎渐近地达到最优水平，主要特点是充分利用了高斯过程协方差结构所捕捉到的数据依赖性，即使协方差未知，我们也提出了插件 GLRT 方法，并推导出了该方法仍然渐近近似最优的条件。
gaussian process datalikelihood ratio testcovariance structuredetection methodasymptotically near optimal
发现论文，激发创造
  • 顺序多传感器变点检测

    本文提出了一种混合过程，通过使用特定于流的广义似然比统计量来跟踪并检测数据流中的变化点，我们假定一开始的数据为独立标准正态随机变量。在变化点后，数据流的子集将具有非零平均值，这是我们需要检测和跟踪的。我们在分析中提出了 ARL 和 EDD 测量方法，通过数值实验得到了良好的结果。

    Jul, 2012

  • 贝叶斯模型选择的变点检测和聚类

    本文提出了一种基于非参数化惩罚最小二乘模型选择的算法来近似解决估计分段常量信号以检测其变化点和群集水平的新问题，并对其准确性进行了统计分析和实验验证。

    Dec, 2019

  • 高斯过程协方差结构中的确认性贝叶斯在线变点检测

    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

  • 带核函数的一致变点检测

    本文提出了核变点算法（KCP）来定位独立数据分布中的未知变点个数，并通过模型选择带罚项核经验准则来选择变点，并证明了只要合理选择惩罚项中的常数，KCP 可以以最优速率估计变点位置并检测出分布中所有类型的变化，包括复杂的结构化数据。

    Dec, 2016

  • 利用融合拉索法进行变点检测

    本文分析了含分段常数均值和 / 或方差信号的 l1 惩罚最大似然估计的渐近性质，并建立了融合拉索信号逼近器的（近似的）稀疏一致性性质，重点研究了非平稳时间序列相对于这些模型参数的分段。

    Jan, 2014

  • 图时序中用于异常检测的局部统计量

    本文利用生成潜在位置模型将变点检测问题定义为假设检验问题，关注时间序列的随机块模型这一特殊情形，并分析了基于不同局部统计方法的两类扫描统计量的极限分布和功率特性，并在合成数据和 Enron 电子邮件语料库上理论和性能比较，证明了两种统计量在一个简单境况下是可接受的，而其中一种统计量在第二种境况下是不可接受的。

    Jun, 2013

  • 贪婪的在线变点检测

    提出了一种在线变点检测方法（GOCPD），通过最大化数据来自两个独立模型（时间上的连接）的概率来找到变点，从而克服了标准在线变点检测方法对离群值敏感的缺点。通过展示对合成数据的实用性以及在现实世界的单变点和多变量设置中验证我们的发现，证明了 GOCPD 的有效性。

    Aug, 2023

  • 带核方法的多变点检测的新高效算法

    本文提出了两种既适用于小规模信号也适用于大规模信号的，基于再生核方法的突变检测算法。新算法在计算时间和内存使用方面具有较高的效率和精度，并且被证明是一种高度灵活的方法，可以用于复杂的生物数据分析。

    Oct, 2017

  • 基于谱扫描统计量的图突变检测

    本文提出了一种基于组合 Laplacian 的可行的放松 GLR 统计量，称为谱扫描统计量，以解决在给定图形上检测未知信号是否为常数或分段常数问题，其性能直接取决于图形的谱，并基于图的少量重要拓扑性能提出了渐近性质证明。

    Jun, 2012

  • 基于上置信区间的自相关数据的部分可观测序贯变点检测

    基于状态空间模型和自适应采样策略的自适应上置信域方案用于部分可观测多传感器顺序变点检测，并通过广义似然比检验开发变点检测方案，理论分析了其侦测能力与自适应采样策略的关联，并通过合成数据和真实数据的数值研究证明了方法的有效性。

    Mar, 2024