用于重尾时间序列鲁棒建模的拼接分箱帕累托分布
机器学习
2022-08-01 v2 机器学习
统计计算
摘要
本工作提出一种在非平稳场景下鲁棒且准确地建模具有重尾噪声的时间序列的新方法。在许多实际应用中的时间序列具有重尾噪声，会显著影响经典预测模型的性能；特别是，准确建模极端事件上的分布对于执行精确的时间序列异常检测至关重要。我们提出一种拼接分箱帕累托（Spliced Binned-Pareto）分布，它既对极端观测鲁棒，又允许对完整分布进行准确建模。我们的方法能够捕捉分布高阶矩（如尾部重度）中的时间依赖性。我们在 Twitter 提及计数时间序列上，将本方法的鲁棒性与尾部估计精度同其他最先进方法进行比较。
引用
@article{arxiv.2106.10952,
title = {Spliced Binned-Pareto Distribution for Robust Modeling of Heavy-tailed Time Series},
author = {Elena Ehrlich and Laurent Callot and François-Xavier Aubet},
journal= {arXiv preprint arXiv:2106.10952},
year = {2022}
}
备注
Accepted at RobustWorkshop@ICLR2021: <https://sites.google.com/connect.hku.hk/robustml-2021/accepted-papers/paper-041>. Francois-Xavier Aubet and Elena Ehrlich contributed equally to this work