存在离群点与新变点时的序贯在线预测：一种即时时间结构学习方法
机器学习
2020-02-12 v2 机器学习
摘要
本文中，我们考虑在存在离群点与新变点的流数据下的序贯在线预测（SOP）。我们提出一种即时时间结构学习（INstant TEmporal structure Learning, INTEL）算法来解决该问题。我们的 INTEL 算法基于对在线预测与异常检测之间对偶性的充分考虑而开发。我们首先采用加权高斯过程模型（WGPs）的混合来覆盖数据期望的可能时间结构。然后，基于该 WGP 混合的丰富建模能力，我们开发了一种高效技术，以即时学习（捕获）遵循机制转移的数据的时间结构。该即时学习仅通过调节混合模型的一个超参数值来实现。采用专家乘积（POE）模型的加权泛化形式来融合多个 GP 模型产生的预测。一旦真实观测严重偏离融合预测，即判定为离群点。若连续判定一定数量的离群点，则判定为新变点。使用多种真实数据集进行了充分实验。结果表明，所提算法在存在离群点与新变点的 SOP 上显著优于基准方法。
引用
@article{arxiv.1907.06377,
title = {Sequential online prediction in the presence of outliers and change points: an instant temporal structure learning approach},
author = {Bin Liu and Yu Qi and Ke-Jia Chen},
journal= {arXiv preprint arXiv:1907.06377},
year = {2020}
}
备注
43 pages, 14 figures