基于 QuantTree 的多元数据流非参数在线变化检测
机器学习
2022-09-01 v1
摘要
我们处理多元数据流中的在线变化检测问题，并引入 QuantTree 指数加权移动平均（QT-EWMA），一种可控制误报前期望时间、产生所需平均游程长度（ARL）的非参数变化检测算法。控制误报在许多应用中至关重要，而能监控多元数据流且不知数据分布的无参数在线变化检测算法很少能保证这一点。与许多变化检测算法类似，QT-EWMA 从平稳训练集构建数据分布模型，在我们的情形中为 QuantTree 直方图。为即便在训练集极小时也能监控数据流，我们提出 QT-EWMA-update，其在监控期间增量更新 QuantTree 直方图，始终将 ARL 保持在控制之下。我们在合成与真实世界数据流上的实验表明，QT-EWMA 与 QT-EWMA-update 比在相似条件下运行的最先进方法更好地控制 ARL 与误报率，并取得更低或可比的检测延迟。
引用
@article{arxiv.2208.14801,
title = {Nonparametric and Online Change Detection in Multivariate Datastreams using QuantTree},
author = {Luca Frittoli and Diego Carrera and Giacomo Boracchi},
journal= {arXiv preprint arXiv:2208.14801},
year = {2022}
}