IJCAIMay, 2019

高斯过程协方差结构中的确认性贝叶斯在线变点检测

PDF
TL;DR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。
发现论文，激发创造
  • 具有模型选择的时空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

  • 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

  • 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

  • 非平稳马尔可夫决策过程的重启贝叶斯在线变点检测

    研究使用贝叶斯在线变点检测算法对使用多项式分布的马尔可夫决策过程进行非定常强化学习，提出了改进的 UCRL2 算法

    Apr, 2023

  • 用扫描 $B$- 统计量检测核变点

    本篇论文提出了基于核函数非参数统计方法的两种改变点检测统计量，通过使用变换测度技术来表征这些统计量的尾概率，以此获得控制误报率所需的显著性水平和平均运行长度的检测阈值，从而提高了检测效率和准确性。

    Jul, 2015

  • 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

  • 高斯过程的最优变点检测

    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。

    Jun, 2015

  • 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

  • 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

  • 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