- 使用概率预测编码的异常变点检测
我们提出了一种基于深度学习的 CPD/AD 方法,名为 Probabilistic Predictive Coding (PPC),该方法通过联合学习将序列数据编码成低维潜在空间表示,并预测后续的数据表示以及相应的预测不确定性。该方法具有解 - 基于压缩机的机器中的时间序列分析:一项综述
研究了压缩机为基础的机器的多变量时间序列上运用的故障检测、故障预测、预测和变点检测的最近研究,并对所用算法进行了比较,突出了现有技术的不足之处,并讨论了该领域最有前景的未来研究方向。
- 一种基于 KCUSUM 的实时自适应采样变点检测算法评估
通过引入基于核的累加和(KCUSUM)算法,我们扩展了传统累加和(CUSUM)方法,使之具备了针对高容量数据场景下在线变点检测的能力,并在仅有参考样本的情况下,通过与参考样本的比较来检测数据中与参考样本的偏离情况,从而在实时数据流中检测突变 - 基于 Copula 熵的变点检测与双样本检验
本文提出了一种基于 Copula 熵的非参数多变量方法,用于多个变点检测。首先,将单个变点检测作为一组时间序列数据上的两样本检验,将变点考虑为具有最大检验统计量的点;然后,将单个变点检测方法与二分分割策略相结合,提出了多个变点检测方法。在模 - 具有变点的神经随机微分方程:一种生成对抗方法
提出一种基于神经随机微分方程的时间序列变点检测算法,该算法使用生成对抗网络框架下的神经随机微分方程模型,通过 GAN 鉴别器的输出在前向传递中检测变点,并通过交替更新来学习未知的变点和不同变点对应的神经随机微分方程模型的参数。结果表明,该方 - 在回归任务中将变点检测和段分类统一,用于交通方式识别
使用 GPS 轨迹数据通过一种统一回归任务的方法,将旅行划分为具有监督方式的段落,并利用更多上下文信息,以高准确性和连续性得出五种交通方式的预测。
- 基于 Hoeffding 树和变点检测机制的持续学习情景下的天然气消耗预测系统
提出一种新的连续学习能力的多步预测天然气消费的方法,采用数据流处理进行模型收集选择,并结合变点检测集成,评估了在天然气消费预测领域的复杂实际案例中的预测模型性能。
- 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 - 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 - 非监督式异质传感器信号变点检测
本文介绍无监督变点检测技术,该方法适用于处理各种数据源,无需大量标注数据,并针对多项评估标准比较不同算法。
- 异质数据的预测式变点检测
本文引入一种名为 “预测和比较” 的预测机器学习模型辅助的变点检测框架,用于改进传统的连续分析方法,基于假阳性率和失控平均运行长度方面的质量指标,从而提高连续分析方法的精度,而在使用预测动态平均值这种基本趋势估计功能时,采用了更为先进的 A - 一种快速的拓扑方法以预测动态图中的异常
本文提出了一种基于 persistent diagram、lower-star filtration 和 Betti 函数的方法,可以高效地从时变图数据中提取形状信息,并在模拟研究和实际数据应用中表现出优越的性能,尤其是对于变点检测和加密货 - 高维时间序列数据的 Wasserstein 变点检测
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 - 贝叶斯在线学习中检测和适应不规则分布转移
本文提出了一种模型无关的贝叶斯在线学习方法,通过整合变点检测、切换动态系统和贝叶斯在线学习的思想来同时推断这些分布漂移并根据检测到的变化适应模型,能够在监督和无监督学习环境中使用,适用于概念漂移或协变漂移的环境,并在贝叶斯在线学习方法方面取 - WWW基于自监督对比性预测编码的时间序列变点检测
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。
- AAAI具高斯 Copula 的在线缺失值插补和变点检测
本研究提出基于高斯脉冲函数的在线缺失值填补算法,适用于混合数据类型,其算法可以随着数据分布的改变进行演化,并有助于多变量缺失数据中的变点检测。实验表明该方法在合成和实际数据中的性能均表现良好。
- 使用具有时变不变性的自编码器进行时间序列数据的变点检测
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 - KDD动态图的拉普拉斯变点检测
本文提出了一种名为 Laplacian Anomaly Detection (LAD) 的方法,用于动态图中的变化点检测,并通过两个滑动窗口显式地建模短期和长期依赖关系。实验结果表明,该方法在动态网络中可以更有效地识别异常时间点。
- 变点检测算法评估
本文介绍了一个用于评估现有的变点检测算法在现实世界数据上表现的数据集,并提出了应用于多个基础真实数据的基准研究,旨在成为新变点检测算法的试验场。
- 深度密度比估计用于变点检测
本文提出新的目标函数来训练基于深度神经网络的密度比估计器,并将其应用于变点检测问题。我们比较使用梯度下降法来最小化的目标函数,并表明使用我们的深度密度比估计目标函数在癫痫检测任务上表现比其他基于核函数和神经网络的密度比估计方法和其他基于窗口