从向量自回归时间序列进行在线拓扑辨识
数据库
2019-04-04 v1 人工智能
摘要
因果图因能以适于人工解读、预测与异常检测的格式高效表示多变量数据集的时空结构，而在社会科学、自然科学与工程中常被估计。数学形式化因果性的一种流行方法基于向量自回归（VAR）模型，并构成众所周知但通常难处理的 Granger 因果性的替代。依托此种 VAR 因果概念，本文开发两种优势互补的算法，以在线方式追踪时变因果图。其每次更新的常数复杂度亦使这些算法在大数据场景中颇具吸引力。尽管顺序使用数据，两种算法被证明渐近达到与使用全部数据集一次的批量估计器相同的平均性能。为此，建立了次线性（静态）遗憾界。在时变设定下，通过动态遗憾分析刻画了性能。基于真实与合成数据的数值结果进一步支持了所提算法在静态与动态场景中的优点。
引用
@article{arxiv.1904.01863,
title = {Identifying Patient Groups based on Frequent Patterns of Patient Samples},
author = {Seyed Amin Tabatabaei and Xixi Lu and Mark Hoogendoorn and Hajo A. Reijers},
journal= {arXiv preprint arXiv:1904.01863},
year = {2019}
}