基于观测值广义指数加权平均的动态变化数据流分位数跟踪
统计方法学
2019-01-16 v1
摘要
观测值的指数加权平均数(Exponentially Weighted Average, EWA)被认为是跟踪动态变化数据流分布期望的最先进估计量。然而,如何设计 EWA 估计量来跟踪数据流分布的分位数并不显然。本文提出一种使用 EWA 广义形式的轻量级分位数估计量。据我们所知,该工作是文献中首次报道的此类形式的分位数估计量。该估计量的一个吸引人性质是更新步长在线按比例调整为当前观测值与当前分位数估计之差。因此,若估计量相对于数据流偏离轨道,将采取大步长以迅速使估计量重回轨道。利用随机学习理论证明了估计量收敛到真实分位数。使用合成与真实数据的广泛实验结果表明,我们的估计量明显优于已有的最先进分位数跟踪估计量,并在动态环境中实现更快的适应性。该分位数估计量进一步在真实数据上测试,其目标为室内气候的高效在线控制。我们展示了该估计量可纳入概念漂移检测器,用于高效决定预测未来室内温度的机器学习模型何时应当被重新训练/更新。
引用
@article{arxiv.1901.04681,
title = {Quantile Tracking in Dynamically Varying Data Streams Using a Generalized Exponentially Weighted Average of Observations},
author = {Hugo Lewi Hammer and Anis Yazidi and Håvard Rue},
journal= {arXiv preprint arXiv:1901.04681},
year = {2019}
}