变点检测算法评估
该研究针对生物医学时间序列的状态变化模式与健康或疾病之间的关系,提出了一种有原则的选择特定任务的变点检测算法的方法,并在实际的心血管时间序列数据中评估了八种关键算法的性能。最终,从检测到的变点中提取特征,使用 K 近邻方法对 RBD 患者和健康对照组进行分类,表明选择合适的变点检测算法对于应用性能有着重要影响。
Apr, 2024
本文介绍了多变量时间序列离线检测的多个变点的算法。为了组织这个广泛的工作领域,采用了一种一般但有结构化的方法论策略。此次审查中考虑的检测算法由三个因素组成:成本函数、搜索方法和对变化数量的约束。对这些因素进行了描述、回顾和讨论。文中描述的主要算法的实现提供在名为 ruptures 的 Python 包中。
Jan, 2018
本文提出了一种基于非参数发散度估计的新型统计变点检测算法,该方法使用相对 Pearson 发散度作为发散度度量,并通过直接密度比估计方法精确而高效地估计,实验结果证明该方法在人类活动感知、语音和 Twitter 消息等人工和真实数据集上是有用的。
Mar, 2012
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
本文中,我们提出了一种基于 Wasserstein 距离的新型变点检测方法 WATCH,该方法通过对初始分布进行建模并监控其行为,处理新数据点时能够提供动态高维数据中准确和强健的变点检测,并在包括许多基准数据集的广泛实验评估中表现优于现有的方法。
Jan, 2022
提出了一种在线方法,用于利用具有意义的表示和模糊推理系统检测和查询犯罪相关时间序列中的变点,并在犯罪数据集和金融数据集上进行了实证评估和比较分析。结果表明该方法能够以极低的计算成本准确检测变点,并且使任何领域的时间序列中特定变点的检测更加直观和易于理解。
Dec, 2023
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
使用基于自动编码器的新型损失函数方法对时间序列数据中的变点进行检测,能够发现信号自相关统计中更微妙的变化并减少误报率。该方法可在时间域、频率域或两者中指示变点,并可检测斜率、均值、方差、自相关函数和频率光谱的突变等。实验表明该方法在各种模拟和真实数据集中,始终比其他基线方法具有更高的性能。最后,我们使用匹配滤波器和新的变点分数结合的后处理程序,以解决误检报的问题。
Aug, 2020