基于代理的分层最快变化检测
机器学习
2016-04-01 v1 信息论
math.IT
机器学习
摘要
时间序列数据中的变化检测（CD）是一个关键问题，因为它揭示了驱动时间序列的潜在生成过程的变化。尽管已受到显著关注，一个重要未探索的方面是如何有效利用额外的相关信息来改进变化点的检测和认知。我们提出分层最快变化检测（HQCD），一个将引入额外相关源以进行早期变化点检测的过程形式化的框架。HQCD 背后的核心思想根植于最快检测理论，并且 HQCD 可视为其对分层设置的新颖推广。源被分类为目标与代理，HQCD 利用该结构系统地吸收观测数据以跨层更新变化点统计。关于实际变化点的决策通过最小化延迟同时维持可靠性界给出。此外，HQCD 还揭示了目标处的变化与代理间变化的有趣关系。我们针对合成数据集（已知变化点）和若干真实示例（未知变化点）将 HQCD 的可靠性和性能与几种最先进的方法进行验证。我们的实验表明，通过 HQCD 我们获得了显著的鲁棒性而不损失检测延迟。我们的真实实验还通过连接代理源（如 Twitter 闲聊）到目标源（如最终导致重大起义的就业相关抗议）展示了分层设置的有用性。
引用
@article{arxiv.1603.09739,
title = {Hierarchical Quickest Change Detection via Surrogates},
author = {Prithwish Chakraborty and Sathappan Muthiah and Ravi Tandon and Naren Ramakrishnan},
journal= {arXiv preprint arXiv:1603.09739},
year = {2016}
}
备注
Submitted to a journal. See demo at https://prithwi.github.io/hqcd_supplementary