May, 2018

具有模型选择的时空贝叶斯在线变点检测

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 贝叶斯在线变点检测

    本文提出了一种基于贝叶斯方法的在线检测突变点的算法，该算法针对在突变点前后的模型参数独立的情况，采用简单的信息传递算法计算了当前 “run” 的长度的概率分布，并在三个不同的真实数据集上进行了演示。

    Oct, 2007

  • 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

  • 贝叶斯在线学习中检测和适应不规则分布转移

    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

  • 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

  • 具有价值风险应用的多尺度本地变点检测

    本篇论文提供一种新的建模和预测非平稳时间序列的方法，并将其应用于金融数据的波动率建模，方法基于局部同质性和局部变化点分析，解决了调整参数问题，该方法应用于数据集并与标准的 GARCH 模型进行比较，最后讨论了该方法在风险价值问题中的应用。

    Jun, 2009

  • 概念器的变点检测

    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

  • 双重稳健贝叶斯推断在具有 $β$- 散度的非平稳数据流中的应用

    该论文首次提出了具备线性时间和常数空间复杂度的鲁棒性贝叶斯在线变点检测算法，通过结构变分近似使 GBI 可扩展，并提供了一种选择差异参数 β 的原则方法，从而降低变点的误发现率。

    Jun, 2018

  • 在线具有有限样本保证的线性动力系统变点检测

    在线线性动力系统中的变点检测方法，解决了时间序列属性突变检测的问题，包括未知动力学、时间相关性和多个变点时的检测准确度和延迟的理论保证。

    Nov, 2023

  • 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