高斯过程协方差结构中的验证式贝叶斯在线变点检测
机器学习
2020-02-10 v2 机器学习
摘要
在序列数据分析中，突变的检测对于预测未来变化十分重要。本文中，我们提出统计假设检验，用于检测由高斯过程（GPs）建模的局部平滑时间序列中的协方差结构变化。我们为这些检验提供了理论依据的阈值，并用它们通过确认统计显著的变化与非变化来改进贝叶斯在线变点检测（BOCPD）。我们的验证式 BOCPD（CBOCPD）算法即使在超参数未精确调优时也能发现 GPs 中的多个结构断点。我们还提供了 CBOCPD 相比 BOCPD 提供更低预测误差的条件。在合成与真实世界数据集上的实验结果表明，我们的新检验能正确检测 GPs 中协方差结构的变化。所提算法在非平稳性预测方面，无论在回归误差还是对数似然上均优于现有方法。
引用
@article{arxiv.1905.13168,
title = {Confirmatory Bayesian Online Change Point Detection in the Covariance Structure of Gaussian Processes},
author = {Jiyeon Han and Kyowoon Lee and Anh Tong and Jaesik Choi},
journal= {arXiv preprint arXiv:1905.13168},
year = {2020}
}
备注
IJCAI 2019 Comments: 12 pages, LaTeX; Revised conditions of Theorems in section 4, results unchanged