Bayes Watch:用于过程监控与故障检测的贝叶斯变点检测
应用统计
2023-10-05 v1 统计方法学
摘要
当预测模型投入生产使用时,必须对其进行实时监控,以确保其性能不会因数据漂移或突变而下降。理想情况下,这应在通过学习得知模型自身性能已下降之前,通过监控结果数据来尽早完成。在本文中,我们考虑监控一个目前在明尼苏达州罗切斯特市 Mayo Clinic 投入生产的、用于识别姑息治疗需求的预测模型的问题。我们引入了一个称为 \textit{Bayes Watch} 的框架,用于检测具有混合变量类型和缺失值的高维纵向数据中的变点,并确定变点发生于哪些变量。Bayes Watch 对按时间分组的同质数据(称为 regime)拟合一组高斯图混合模型,这些 regime 被建模为具有未知转移概率的马尔可夫过程的观测状态。由此,Bayes Watch 在 regime 分配向量上定义了后验分布,给出了每个可能变点的概率的有意义表达。Bayes Watch 还允许一个有效且高效的故障检测系统,用于评估数据中哪些特征对给定变点最为负责。
引用
@article{arxiv.2310.02940,
title = {Bayes Watch: Bayesian Change-point Detection for Process Monitoring with Fault Detection},
author = {Alexander C. Murph and Curtis B. Storlie and Patrick M. Wilson and Jonathan P. Williams and Jan Hannig},
journal= {arXiv preprint arXiv:2310.02940},
year = {2023}
}
备注
34 pages without Supplementary Material, 5 figures, 1 table