一种用于检测点与集体异常的线性时间方法
机器学习
2019-04-12 v2 机器学习
应用统计
统计方法学
摘要
高效识别数据序列中异常这一挑战是一项重要的统计问题，如今在许多应用中都会出现。尽管已有大量工作旨在使统计分析对离群值或点异常具有鲁棒性，但关于检测异常段或集体异常的工作要少得多，尤其是在点异常也可能出现的那些场景中。在本文中，我们介绍了集体与点异常（CAPA），一种计算高效的方法，适用于集体异常以均值、方差或两者同时发生变化为特征的情况，并将其与点异常区分开。理论结果确立了 CAPA 检测集体异常的一致性，并作为副产品，确立了流行的基于惩罚代价的均值与方差变化检测方法的一致性。实证结果表明，CAPA 具有接近线性的计算代价，并且在检测和定位集体异常方面比其他方法更准确。我们通过其从开普勒望远镜的光变曲线数据检测系外行星的能力展示了 CAPA 的实用性。
引用
@article{arxiv.1806.01947,
title = {A linear time method for the detection of point and collective anomalies},
author = {Alexander T. M. Fisch and Idris A. Eckley and Paul Fearnhead},
journal= {arXiv preprint arXiv:1806.01947},
year = {2019}
}