使用DRE-CUSUM的无监督变化检测
机器学习
2022-01-28 v1 计算机视觉与模式识别
信息论
math.IT
摘要
本文提出DRE-CUSUM，一种基于无监督密度比估计（DRE）的方法，用于在预变更与后变更分布均未知时确定时间序列数据中的统计变化。所提方法的核心思想是在任意点拆分时间序列，并估计拆分点前后分布密度之比（使用如神经网络等参数模型）。随后由估计密度比对数的累积和（CUSUM）导出DRE-CUSUM变化检测统计量。我们给出了理论依据与精度保证，表明无论拆分点如何，所提统计量均能可靠检测统计变化。尽管已有基于密度比的变化检测先前工作，但据我们所知，这是首个具理论依据与精度保证的无监督变化检测方法。所提框架的简洁性使其易于应用于各类实际场景（包括高维时间序列数据）；我们也讨论了用于在线变化检测的推广。我们通过合成与真实数据集实验展示了DRE-CUSUM相较现有最先进无监督算法（如贝叶斯在线变化检测及其变体以及若干其他启发式方法）的优越性。
引用
@article{arxiv.2201.11678,
title = {Unsupervised Change Detection using DRE-CUSUM},
author = {Sudarshan Adiga and Ravi Tandon},
journal= {arXiv preprint arXiv:2201.11678},
year = {2022}
}