将顺序变化检测简化为顺序估计
本文提出了一种混合过程,通过使用特定于流的广义似然比统计量来跟踪并检测数据流中的变化点,我们假定一开始的数据为独立标准正态随机变量。在变化点后,数据流的子集将具有非零平均值,这是我们需要检测和跟踪的。我们在分析中提出了 ARL 和 EDD 测量方法,通过数值实验得到了良好的结果。
Jul, 2012
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
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
本研究使用基于极大似然比的 Shiryaev-Roberts 程序提出了一种半参数多周期变点检测程序,用于在实时监测的金融时间序列中高效检测结构性突变(异常)。在基于真实世界的金融数据的统计分析和比较中,该程序的效果略优于传统的累积和图(CUSUM)检测程序。
Sep, 2015
该研究论文提出了一种置信度序列方法,可用于跟踪任何完全排序集合上的分布分位数,同时提供了新的经验分布函数的集中不等式,并在多臂老虎机框架中提供了选择玩家的新算法和样本复杂度边界。
Jun, 2019
通过学习控制感知,本文解决了检测给定二进制过程中异常的问题。我们设计了一种顺序选择策略,以最小化决策延迟和总感知成本,并使用深度增强学习和深度主动推断算法来解决该问题。
Nov, 2023
本研究提供了一种基于 Bentkus 集中结果的近乎最优置信序列,用于解决在线推断中随着样本大小不断增长需要统一有效置信区间的问题,证实这种置信序列在合成覆盖问题和自适应停止算法方面具有优越性。
Jun, 2020
本文根据非参数条件下的迭代对数率法则和序贯概率比检验,建立了一种置信序列,可以在无限时间轴上逐渐逼近零宽度,并推广了指数集中方法,对子高斯和伯恩斯坦条件,自标准化过程和矩阶鞅等非参数条件下的置信序列进行了紧密的非渐近性描述,同时将这些证明技巧推广到协方差矩阵估计和样本平均处理效应估计领域。
Oct, 2018
我们研究了最快变化检测问题,其中变化要么是坏变化,我们的目标是检测到它,要么是令人困惑的变化,不是我们关心的。我们提出了 S-CuSum 和 J-CuSum 方法,利用两个 CuSum 统计量,并提供了分析性能保证。这两种方法在所有类型的变化分布下都是适用的,并且计算效率高,只需要简单的递归更新。
May, 2024