基于描述维度性的连续模型选择检测模型变化征兆
机器学习
2023-02-24 v1 机器学习
摘要
我们解决检测数据流背后模型变化的问题。模型指诸如参数模型中自由参数个数之类的整数值结构信息。具体地，我们关注如何比模型变化实际发生更早地检测其征兆。为此，我们采用基于描述维度性（Ddim）概念的连续模型选择。它是一种实值模型维度，旨在量化模型过渡期的模型维度。连续模型选择是从给定数据出发依据Ddim确定实值模型维度。我们提出一种通过追踪数据流中Ddim的上升来检测模型变化征兆的新方法。我们将该方法应用于检测高斯混合模型中聚类数的变化征兆以及自回归模型中阶数的变化征兆。借助合成与真实数据集，我们经验性地展示了其有效性：它能很好地可视化模型维度在过渡期移动的快慢，并比现有方法更早地发出模型变化的预警信号。
引用
@article{arxiv.2302.12127,
title = {Detecting Signs of Model Change with Continuous Model Selection Based on Descriptive Dimensionality},
author = {Kenji Yamanishi and So Hirai},
journal= {arXiv preprint arXiv:2302.12127},
year = {2023}
}