基于草图的序列变点检测
机器学习
2018-05-01 v6 机器学习
摘要
我们研究基于高维信号向量线性草图、使用广义似然比(GLR)统计的序列变点检测过程。GLR统计允许一个未知的变后均值，其代表异常或新颖性。我们考虑固定和时变投影，推导两个基本性能指标的理论近似：平均运行长度(ARL)与期望检测延迟(EDD)；数值模拟表明这些近似高度准确。我们进一步刻画草图过程相对于无草图过程的相对性能度量，并表明当信号强度足够大且使用足够数量的草图时，性能损失可能很小。最后，我们通过太阳能耀斑检测与电力网络故障检测的模拟及真实数据示例，展示了草图过程的良好性能。
引用
@article{arxiv.1505.06770,
title = {Sketching for Sequential Change-Point Detection},
author = {Yang Cao and Andrew Thompson and Meng Wang and Yao Xie},
journal= {arXiv preprint arXiv:1505.06770},
year = {2018}
}
备注
Submitted