贝叶斯模型选择的变点检测和聚类
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
本文研究基于核方法的变点问题,提出一种新的罚函数来选择变点数量,并探究该方法的非渐近贝叶斯界和测度集中性质。实验结果表明,该方法能够准确检测数据整体分布的变化,即使均值和方差固定。
Feb, 2012
本论文提出了一种非参数极大似然方法来检测多变点问题,可以适用于数据序列中的任何分布变化,同时通过贝叶斯信息准则确定变点数,并通过动态规划算法和似然函数的内在顺序结构来估计变点位置,模拟研究结果表明,该方法在估计精度和计算时间方面具有令人满意的性能。
May, 2014
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
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
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
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