学习 Sinkhorn 散度用于有监督变点检测
机器学习
2022-02-11 v3
摘要
许多现代应用需要在复杂序列数据中检测变点。大多数现有的变点检测方法都是无监督的，因此缺乏关于我们想要检测何种变化或某些变化是否可以安全忽略的信息。这常导致变点检测性能不佳。我们提出了一种新颖的变点检测框架，该框架使用真实变点实例作为监督来学习一个底层度量，从而可以使用 Sinkhorn 散度在滑动窗口上进行双样本检验，以在线方式检测变点。我们的方法可用于学习稀疏度量，这对于高维变点检测环境中的特征选择和解释都很有用。在模拟及真实世界序列上的实验表明，仅使用少量标注变点实例，我们提出的方法相比现有无监督变点检测方法可大幅提升变点检测性能。
引用
@article{arxiv.2202.04000,
title = {Learning Sinkhorn divergences for supervised change point detection},
author = {Nauman Ahad and Eva L. Dyer and Keith B. Hengen and Yao Xie and Mark A. Davenport},
journal= {arXiv preprint arXiv:2202.04000},
year = {2022}
}
备注
19 pages, 13 figures. Reorganized figures and text for improved readability