非监督式异质传感器信号变点检测
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
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
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
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
提出一种基于对比预测编码的自监督时间序列变点检测方法,通过在时间间隔对的嵌入表示之间学习区分对比来检测时间序列数据中趋势和属性的变化,相比于现有的五种监督和半监督方法在三个数据集上均取得了更好的性能。
Nov, 2020
本研究在一个在线概率学习框架中,首次将网络变化点检测问题形式化,并引入了一种可靠的方法。该方法结合了广义分层随机图模型和贝叶斯假设检验,可以定量确定变化点何时、如何精确地发生。在使用已知类型和大小变化点的合成数据进行分析时,证明该方法比以前使用的几种替代方法更准确。应用于两个高分辨率的演化社交网络场景,该方法识别了一系列的变化点,并与这些网络已知的外部 “冲击” 相一致。
Mar, 2014