EigenEvent：一种用于症候群监测中复杂数据流事件检测的算法

症候群监测系统持续监测来自不同区域的多个预诊断每日指标流，旨在早期发现疾病爆发。这些系统的主要目标是在临床和实验室确认之前数小时或数天检测到爆发。通过这些系统生成的数据类型通常是具有空间和时间维度的多变量季节性数据。WSARE（What's Strange About Recent Events）算法是解决此类问题的最先进方法。它在多变量数据中穷举搜索对比集，并在发现统计显著的规则时发出警报。与现有的自顶向下方法相比，这种自底向上的方法呈现出更低的检测延迟。然而，WSARE 对小规模变化非常敏感，随后导致相对较高的误报率。我们提出了一种称为 EigenEvent 的新方法，它既不完全自顶向下也不完全自底向上。在该方法中，我们不是进行自顶向下或自底向上的搜索，而是通过特征空间技术跟踪数据相关结构的变化。这种新方法使我们能够检测整体变化（通过特征值）和维度级变化（通过特征向量）。在百组基准数据上的实验结果表明，与最先进的方法相比，EigenEvent 表现出更好的整体性能，特别是在误报率方面。