TimePred：面向大规模数据的高效可解释离线变点检测——及其在工业过程监控中的应用
机器学习
2025-12-19 v1
摘要
在高维、大规模时间序列中进行变点检测（CPD）在统计一致性、可扩展性和可解释性方面具有挑战性。我们提出了TimePred，一个自监督框架，通过预测每个样本的归一化时间索引，将多元CPD简化为单变量均值偏移检测。这使得可以利用现有算法进行高效的离线CPD，并支持将可解释AI（XAI）归因方法集成以进行特征级解释。我们的实验展示了具有竞争力的CPD性能，同时将计算成本降低了多达两个数量级。在一个工业制造案例研究中，我们展示了检测精度的提升，并说明了可解释变点洞察的实际价值。
引用
@article{arxiv.2512.01562,
title = {TimePred: efficient and interpretable offline change point detection for high volume data -- with application to industrial process monitoring},
author = {Simon Leszek},
journal= {arXiv preprint arXiv:2512.01562},
year = {2025}
}
备注
6 pages, 3 figures