海量高维时间序列中非线性变化的线性时间检测
机器学习
2015-11-12 v1 机器学习
摘要
多元时间序列中的变化检测在包括医疗健康和网络监控在内的许多领域有应用。检测变化的常用方法是比较参考窗口与测试窗口分布之间的散度。然而，当维度数量极大时，朴素方法存在质量与效率两方面问题：为保证鲁棒性，窗口大小需很大，这不仅导致漏报，还增加运行时间。为此，我们提出 LIGHT，一种用于鲁棒检测海量高维时间序列中非线性变化的线性时间算法。重要的是，LIGHT 在选取窗口大小上提供高度灵活性，使领域专家能适配所需的细节层次。为此，我们 1) 执行可扩展 PCA 降维，2) 执行联合分布的可扩展分解，3) 可扩展地计算这些低维分布之间的散度。在合成与真实数据上的广泛实证评估表明，LIGHT 在质量与效率上均优于当前最优方法 (state of the art)，最高提升达 100%。
引用
@article{arxiv.1510.08385,
title = {Linear-time Detection of Non-linear Changes in Massively High Dimensional Time Series},
author = {Hoang-Vu Nguyen and Jilles Vreeken},
journal= {arXiv preprint arXiv:1510.08385},
year = {2015}
}
备注
Submission to SDM 2016