Active multi-fidelity Bayesian online changepoint detection
Princeton University(普林斯顿大学);Arm ML Research Lab(Arm机器学习研究实验室)
用于检测变化点或时间序列的行为中的突然转变的在线算法通常利用有限的资源来部署,移动电话或工业传感器等边缘计算环境。在这些情况下,将收集环境测量的成本与该测量的质量或"保真度"以及测量如何影响变点估计进行交易可能是有益的。例如,可以在惯性测量或GPS之间做出决定,以确定运动的变化点。贝叶斯变点检测方法特别有吸引力,因为我们可以表示关于变点的后验不确定性,并对数据保真度做出积极的、成本敏感的决策,以减少这种后验不确定性。此外,通过主动保真切换,总成本可以大大降低,同时对数据分布的变化保持鲁棒性。我们提出了一个多保真度的方法,使成本敏感的决定,收集数据保真度的基础上最大限度地提高信息增益的变化点。我们对合成,视频和音频数据的框架进行了评估,并表明这种基于信息的方法可以在降低总成本的同时实现准确的预测。
2021-07-25 cs.LG stat.ML
Empirical Bayesian analysis of simultaneous changepoints in multiple data sequences
癌细胞的拷贝数变化和股票价格的波动性波动通常表现为在相关数据序列的相同位置发生的变点。我们介绍了贝叶斯建模框架,BASIC,采用变点之前捕捉这种类型的数据中的同现趋势。我们设计了有效的算法来采样和最大化的基本变点后,并开发了一个蒙特卡罗期望最大化的过程中选择先验超参数的经验贝叶斯时尚。我们使用由此产生的BASIC框架来分析NCI-60癌细胞系中的DNA拷贝数变化,并确定2000年至2009年影响标准普尔500指数股票价格波动的重要事件。
2017-04-14 stat.AP stat.CO stat.ME
Bayesian Changepoint Analysis
在我的博士论文中,我们详细阐述了贝叶斯变点分析,其中我们的重点是三大主题:通过MCMC近似采样,精确推理和不确定性量化。此外,建模问题正在讨论中。我们的研究结果是通过几个变点的例子,重点是测井钻井数据的支撑。
2020-06-18 stat.ME
Bayesian Detection of Changepoints in Finite-State Markov Chains for Multiple Sequences
我们考虑由分段齐次马尔可夫段组成的范畴序列集的分析。假设序列由共同的基础过程控制,每个序列的段以相同的顺序出现。片段由一组未观察到的变化点定义,其中变化点的位置和数量可以随序列而变化。我们提出了一个贝叶斯框架来分析这些数据,将先验的位置上的变点和转移矩阵,并使用马尔可夫链蒙特卡罗(MCMC)技术,以获得后验样本的数据。使用模拟数据的实验结果说明了该方法如何可以用于推断参数和变点的后验分布,以及处理不同序列中变点位置的相当大的变化的能力。我们还研究了应用程序的方法,从两个应用程序涉及季风降雨模式和树木的分支模式的顺序数据。
2015-04-07 stat.ME
Bayesian changepoint detection via logistic regression and the topological analysis of image series
本文提出BCLR方法,将贝叶斯变点检测与逻辑回归结合,利用Pólya-gamma增广的Gibbs采样进行推断,并结合拓扑特征嵌入有效检测图像序列中的拓扑变化。
2025-03-07 stat.ME
Detecting Multiple Random Changepoints in Bayesian Piecewise Growth Mixture Models
分段增长混合模型(PGMM)是一种灵活而有用的方法,用于分析个体增长轨迹随时间的分段趋势,其中个体来自两个或多个潜在类别的混合。这些模型允许每个类内的整体发育过程的每个部分具有不同的功能形式;示例包括两个线性生长阶段,或线性阶段之后的二次阶段。变点(结)是从一个发育阶段(段)过渡到另一个的时间。推断变化点的位置通常具有实际意义,以及推断其他模型参数。随机变点允许每个类内的过渡时间存在个体差异。本研究的主要目的是:(1)开发一个PGMM使用贝叶斯推断的方法,允许估计多个随机变点在每个类:(2)开发一个程序,以经验检测随机变点的数量在每个类;以及(3)经验性地研究模型参数估计的偏差和精度,包括随机变化点,通过模拟研究。我们已经开发了用户友好的BayesianPGMM for R包,以促进在实践中采用这种方法,可在https://github.com/lockEF/BayesianPGMM上获得。我们描述了一个应用程序的视觉识别任务的鼠标跟踪数据。
2017-10-29 stat.ME
Trend and Variance Adaptive Bayesian Changepoint Analysis & Local Outlier Scoring
本文提出ABCO模型,结合全局-局部收缩先验和状态空间方法,在贝叶斯动态线性模型中自适应估计变点与局部离群值,并通过局部参数跟踪噪声,实现对复杂序列变点的稳健检测,模拟及美国经济实证验证了其有效性。
2024-03-14 stat.ME
A generalized Bayesian approach to multiple changepoint analysis
Florida State University(佛罗里达州立大学);University of Iowa(爱荷华大学)
本文提出一种通用贝叶斯方法用于多变化点分析,通过受多项逻辑回归启发的损失函数,无需指定数据生成过程,避免对变化点性质的限制,同时推断变化点位置和多项逻辑回归系数,通过模拟和应用展示其准确性和可解释性。
2026-03-26 stat.ME
Monitoring Deforestation Using Multivariate Bayesian Online Changepoint Detection with Outliers
近实时变化探测对于各种地球监测应用非常重要,并且仍然是遥感科学的一个高度优先事项。数据稀疏性、细微变化、季节性趋势以及异常值的存在使得检测实际景观变化具有挑战性。Adams和MacKay(2007)介绍了贝叶斯在线变化点检测(BOCPD),这是一种计算效率高、精确的贝叶斯变化检测方法。先验信息的结合允许放松对密集数据的依赖和广泛的稳定期,使得该方法适用于相对短的时间序列和多个变点检测。在本文中,我们进行BOCPD与多元线性回归框架,支持季节性趋势。我们引入了一种机制,使BOCPD对偶尔的离群值具有鲁棒性,而不会影响精确的后验变化分布的计算效率,也不会影响检测延迟。我们通过模拟表明,该方法有效地检测异常值存在的变化。然后,该方法应用于监测森林砍伐在缅甸,我们表现出优越的性能相比,目前的在线变点检测方法。
2021-12-28 stat.ME
Inferring Soil Drydown Behaviour with Adaptive Bayesian Online Changepoint Analysis
Lancaster University(兰卡斯特大学);Institute for Land and Water Management Research(土地与水资源管理研究所);Lancaster Environment Centre(兰开夏环境中心)
提出基于BOCPD的粒子滤波和在线梯度两种自适应扩展方法,用于推断土壤雨后变干行为,通过合成数据验证并应用于奥美实地站点,证明其优于静态模型。
2025-09-16 stat.AP stat.CO
Multiple Changepoint Detection with Partial Information on Changepoint Times
本文提出了一种新的最小描述长度的过程来检测多个变化点时,一些时间是先验认为更可能是变化点的时间序列数据。这种情况出现与温度时间序列均匀化的追求,我们在这里的重点。我们的贝叶斯过程构造了一个自然的先验分布的情况下,并显示出一致的估计变点的位置,具有最佳的收敛速度。当先验信息可用时,我们的方法大大提高了变点检测能力。该方法也适合于双变量数据,允许在一个或两个组分系列中发生变化。
2019-05-13 stat.ME
A Bayesian changepoint methodology for high dimensional multivariate time series and space-time data: A study of structural change using remotely sensed data
提出了一种贝叶斯方法来分析多变量时间序列和时空数据中的变点。该方法被用来评估在澳大利亚北部的海湾平原生物区的生态系统的影响,扩大洪水。所提出的方法可以实现具有条件高斯状态空间表示的动态混合模型。详细介绍了如何有效地实现算法的一般类的多变量时间序列和时空模型。这种高效的实现使得分析高维,但现实的大小,时空数据集是可行的,因为我们的方法可以明显更快,可能是数百万倍,在这种情况下,比一个标准的实现。
2013-06-20 stat.ME
On Posterior consistency of Bayesian Changepoint models
虽然最近在高维线性模型的贝叶斯模型选择和变量选择方面取得了很多进展,但与频率论不同,文献中存在变点的工作并不多。我们考虑一个分层贝叶斯线性模型,其中通过均值模型影响观测值的协变量的活动集在不同的时间段之间可以变化。这种结构可能出现在社会科学/经济科学中,例如基于外部经济因素的房价突然变化,基于社会和建筑环境因素的犯罪率变化等。使用适当的自适应先验,我们概述了一个分层贝叶斯方法的发展,可以选择真正的变化点以及真正的协变量,具有很高的概率。我们提供了第一个详细的理论分析后验一致性或无协变量,在适当的条件下。吉布斯抽样技术提供了一种有效的计算策略。我们也考虑小样本模拟研究以及应用于犯罪预测的应用。
2021-02-25 math.ST stat.ME stat.TH
A Bayesian Mixture Model for Changepoint Estimation Using Ordinal Predictors
在回归模型中,具有固有排序的预测变量,如肿瘤分期范围和ECOG体力状态,在医疗环境中很常见。在统计学上,可能很难确定有序预测变量的函数形式。通常,这样的变量根据它是高于还是低于某个截止值而被二分。其他方法方便地将有序预测因子视为连续变量,并假设与结果呈线性关系。然而,任意选择一种方法可能会导致不准确的推断和处理。在本文中,我们提出了一个贝叶斯混合模型,同时评估适当的形式的预测回归模型,通过考虑存在一个变点,通过镜头的阈值检测问题。通过使用混合模型框架来考虑变量的二分和线性形式,估计是线性和二进制参数化的加权平均。该方法适用于连续、二元和生存结局,并且易于进行惩罚回归。我们评估了所提出的方法,使用模拟研究,并将其应用到两个真实的数据集。我们提供JAGS代码以便于实现。
2020-08-01 stat.ME
Simultaneous quantification and changepoint detection of point source gas emissions using recursive Bayesian inference
最近的研究结果表明,石油和天然气供应链中设备的异常操作条件占人为甲烷排放量的很大一部分。因此,要有效减少排放,就必须迅速查明和修复故障设备造成的排放源。除了传感技术的进步,允许更频繁的监测,及时和具有成本效益的源识别需要计算框架,提供自动故障检测。在这里,我们提出了一个变点检测算法的基础上,允许同时排放率估计和故障检测的递归贝叶斯方案。所提出的算法进行了测试的一系列近场控制释放移动实验,与有希望的结果表明成功检测(>90%的成功率)的变化时,泄漏率的排放率是三倍后突然变化。此外,我们表明,统计的测量,如变异系数和范围是很好的预测算法的性能。最后,我们描述了这种方法可以很容易地适应固定传感器测量的时间平均浓度数据,从而展示了其灵活性。
2021-09-03 stat.AP
Online Bayesian changepoint detection for network Poisson processes with community structure
本文提出一种基于变分推断和贝叶斯遗忘因子的在线方法,用于检测块齐次泊松网络点过程中潜在边速率和节点社区成员关系的变化,并在模拟数据及伦敦自行车共享网络数据上验证了其快速准确的检测性能。
2025-04-11 stat.CO stat.ME
Drift vs Shift: Decoupling Trends and Changepoint Analysis
提出结合贝叶斯动态线性模型与惩罚似然估计的解耦方法,在复杂噪声下同时实现趋势平滑估计与变点精准检测,具有鲁棒性且可扩展至时变参数模型。
2024-01-07 stat.ME
Bayesian changepoint analysis for atomic force microscopy and soft material indentation
材料压痕研究,其中探针与实验样品进行受控的物理接触,长期以来一直是科学家表征材料机械性能的主要手段。最近,原子力显微镜的出现,它在相同的基本原理上运行,反过来又彻底改变了软生物材料,如细胞和组织的纳米级分析。本文讨论了与材料压痕和原子力显微镜相关的推理问题,通过一个框架的变点分析的前和后接触的数据,适用于各种物理尺度的实验。提出了一种分层贝叶斯模型,以解释实验观察到的变点平滑度约束和测量误差的变化,与有效的蒙特卡罗方法的开发和使用,以实现推理,通过后验采样的参数,如杨氏模量,材料刚度的关键量化。这些结果是第一个通过优化和全自动的高通量算法为材料科学界提供严格的推理程序和不确定性量化的结果,这些算法作为公开可用的软件包BayesCP实现。为了证明这种方法的一致准确性和广泛适用性,结果显示了作者和其他人进行的宏观和微观材料实验的各种数据集-包括硅胶,神经元和红细胞。
2009-09-29 cond-mat.mtrl-sci physics.ins-det stat.AP
Online Bayesian inference for multiple changepoints and risk assessment
RandomPulse;Advestis
本研究的目的是检测突然的趋势变化的多维序列信号的平均值。直接受到Fernhead和Liu([4]和[5])论文的启发,这项工作以分层的方式描述了信号:时间分割过程的变化日期触发分段常数发射定律的更新。获得了有关变化日期和排放参数的贝叶斯后验信息。这些估计可以在线修订,即随着新数据的到来。本文提出了明确的配方对应于各种排放法律,以及推广的情况下,只有部分观测数据。实际应用包括部分观察到的多资产投资策略的回报,当只有很少的先验知识的回报的推动者是在手,限于一些统计假设。这种情况与研究单个资产收益的趋势变化不同,在这种情况下,基本面外生信息(新闻,盈利公告,争议等)可以使用
2021-05-31 cs.LG stat.ME
Scalable Changepoint Detection for Large Spatiotemporal Data on the Sphere
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Washington in St. Louis(华盛顿大学圣路易斯分校)
本文提出了一种基于多项式概率模型和高斯过程的贝叶斯框架,用于高效检测大规模球面时空数据中的突变点,通过SPDE和球面谐波变换实现计算效率与精度的平衡。
2026-02-12 stat.CO stat.ME
Surprise Reduction and Nullification in Bayesian and Inverse Bayesian Inference under Ambiguous Prediction-Error Attribution
Tokyo Denki University(东京都立大学);Osaka Metropolitan University(大阪公立大学);The University of Tokyo(东京大学);Utsunomiya University(宇都宫大学);Waseda University(早稻田大学)
针对非平稳环境下预测误差归因模糊的问题,提出贝叶斯与逆贝叶斯推断框架,通过内生消除强度区分惊奇减少与消除,在变化点跟踪和异常值稳定性上优于自适应滤波器等基线。
2026-09-11 stat.ME
Doubly Robust Bayesian Inference for Non-Stationary Streaming Data with $β$-Divergences
The Alan Turing Institute(艾伦·图灵研究所);University of Warwick(华威大学)
我们提出了第一个强大的贝叶斯在线变点检测算法,通过一般贝叶斯推断(GBI)与$β$ -分歧。由此产生的推理过程是双重强大的参数和变点(CP)后,线性时间和恒定的空间复杂度。我们提供了一个指数模型的构造,并在贝叶斯线性回归模型上进行了演示。在这样做时,我们做了两个额外的贡献:首先,我们使GBI可扩展的结构变分近似是精确的$β\to 0$。其次,我们给出了一个原则性的方法来选择的分歧参数$β$的期望预测损失最小的在线。将CP的错误发现率从超过90%降低到真实世界数据的0%,这提供了最先进的技术。
2018-11-27 cs.LG stat.ML
On Asymptotic Optimality in Sequential Changepoint Detection: Non-iid Case
考虑一般随机模型的序贯贝叶斯变点检测问题,假设观测数据可能是相依和非同分布的,且变点的先验分布是任意的,不一定是几何分布. Tartakovsky和Veeravalli(2004)在非iid情况和离散时间中发展了变点检测的一般渐近理论,Baron和Tartakovsky(2006)在连续时间中假设对数似然比过程具有一定的稳定性。这种稳定性是用归一化对数似然比过程快速收敛到一个正的有限数来表示的,它可以解释为“变化”和“无变化”假设之间的有限Kullback-Leibler信息。在这些论文中,证明了在r-全收敛中可以放松r-快速收敛,这在特定的例子中通常更容易验证。在本文中,我们证明这一猜想表明,Shiryaev变化检测过程是接近最佳的,渐近最小化(作为虚警的概率消失)的时刻的延迟检测到r只要r-全收敛举行。我们还研究了贝叶斯背景下的Shiryaev-Roberts检测过程的渐近性质。
2016-01-13 math.ST stat.TH
Modelling Airway Geometry as Stock Market Data using Bayesian Changepoint Detection
University College London(伦敦大学学院);University College Hospital(伦敦大学学院医院);University of Southampton(南安普顿大学)
许多肺部疾病,如特发性肺纤维化(IPF),表现出气道扩张。准确测量扩张可以评估疾病的进展。不幸的是,图像噪声和气道分叉的组合导致横截面积的轮廓的高度可变性,使得受影响区域的识别非常困难。在这里,我们介绍了一种噪声鲁棒性的方法,用于自动检测的位置进行性气道扩张给定的两个配置文件,在不同的时间点获得的同一气道。我们提出了一个概率模型的轮廓之间的突然相对变化,并通过可逆跳马尔可夫链蒙特卡罗抽样进行推理。我们在两个数据集上证明了所提出的方法的有效性;(i)具有模拟扩张的健康气道的图像;(ii)以1年间隔采集的IPF影响气道的真实图像对。我们的模型是能够检测到的起始位置的气道扩张的精度为2.5毫米的模拟数据。IPF数据集上的实验显示与放射科医师的合理一致性。我们可以计算气道容积的相对变化,这可能有助于量化IPF疾病进展。代码可在https://github.com/quan14/Modelling_Airway_Geometry_as_Stock_Market_Data上获得
2019-10-27 cs.CV cs.LG stat.ML
Change Surfaces for Expressive Multidimensional Changepoints and Counterfactual Prediction
Carnegie Mellon University(卡内基梅隆大学);New York University(纽约大学);Philips Research(飞利浦研究院);Cornell University(康奈尔大学)
识别模型参数的变化是机器学习和统计学的基础。然而,标准的变点模型在表现力方面是有限的,通常解决一维问题并假设瞬时变化。我们引入变化表面作为一个多维的和高度表达概括的变点。我们提供了一个模型不可知的形式化的变化表面,说明他们如何可以提供可变的,异构的,非单调的变化率在多个维度。此外,我们还展示了如何将变化曲面用于反事实预测。作为变化表面框架的具体实例,我们开发了高斯过程变化表面(GPCS)。我们证明了反事实预测贝叶斯后验均值和可信集,以及通过引入新的方法添加剂不可分离的内核大规模的可扩展性。使用两个大的时空数据集,我们采用GPCS发现和表征复杂的变化,可以提供科学和政策相关的见解。具体来说,我们分析了二十世纪美国麻疹发病率,并发现了麻疹疫苗引入后以前未知的异质性变化。此外,我们将该模型应用于纽约市铅检测试剂盒的请求,发现不同的空间和人口模式。
2018-10-30 cs.AI cs.LG stat.ME
Tracing the impacts of Mount Pinatubo eruption on regional climate using spatially-varying changepoint detection
提出一种贝叶斯空间变点检测方法,追踪皮纳图博火山喷发对区域气候的影响,定量刻画其空间格局,弥补了全球尺度研究的不足。
2025-08-11 stat.AP stat.ME
Efficient penalty search for multiple changepoint problems
在多个变化点设置中,已经提出了各种搜索方法,其涉及使用动态编程在变化点的可能数量和位置上优化约束或惩罚成本函数。这样的方法通常是计算密集型的。在惩罚优化设置最近的工作集中在开发一个修剪为基础的方法,它给出了一个改进的计算成本,在某些条件下,是线性的数据点的数量。这种方法自然需要指定惩罚以避免欠拟合/过拟合。已经进行了工作,以确定适当的惩罚选择的数据生成过程与已知的分布形式,但在许多应用程序中的模型假设的数据是不正确的,这些惩罚的选择并不总是适当的。因此,希望有一种方法,使我们能够比较不同选择的惩罚分割。为此,我们提出了一种方法来获得最佳的变点分割的数据序列的所有惩罚值在一个连续的范围。这允许对各种分割进行评估以识别适当节俭的惩罚选择。该方法的计算复杂度在数据点的数量上可以是线性的,并且在最小和最大惩罚值的最佳分割中的变化点的数量之间的差上可以是线性的。这可以比针对一系列变化点的数量找到最佳分割的替代方法快几个数量级。
2014-12-11 stat.CO stat.ML
Simultaneous Credible Regions for Multiple Changepoint Locations
在贝叶斯回顾性框架内,我们提出了一种通过一种新的集合估计来检查\cps分布的方法。对于一个给定的水平,$α$,我们的目标是最小的集合,覆盖所有的\cps的概率至少为$1-α$。对于$α$的某些值计算的这些所谓的最小同时可信区域提供了可能的\cp位置的简约表示。此外,将它们组合为一系列不同的$α$,可以实现非常信息丰富但浓缩的可视化。因此,我们允许模型选择的评价和\cp数据的分析达到前所未有的程度。与\stepR推断的最高密度区域、边缘包含概率和置信区间相比,该方法表现出优越的灵敏度、特异性和可解释性。虽然他们的直接建设通常是棘手的,渐近正确的解决方案可以从后验样本。这导致了一个新的NP完全问题。通过重新制定成一个线性规划,我们经验表明,一个快速的贪婪启发式计算几乎精确解。
2018-09-03 math.ST stat.TH
When Your Model Stops Working: Anytime-Valid Calibration Monitoring
University of Amsterdam(阿姆斯特丹大学)
本文提出PITMonitor,通过混合e过程检测概率积分变换中的分布偏移,提供无时间限制监控范围内的类型I错误控制及贝叶斯变化点估计,实验证明其在FriedmanDrift基准上表现优异。
2026-03-13 stat.ME stat.ML
ABACUS: Unsupervised Multivariate Change Detection via Bayesian Source Separation
变化检测涉及对连续数据进行分段,使得同一段中的观测共享某些期望的属性。多变量变化检测仍然是一个具有挑战性的问题,由于各种方式的变化点可以跨通道相关和潜在的个别通道上的信噪比差。在本文中,我们感兴趣的是在无监督设置中定位加性离群值(AO)和水平位移(LS)。我们提出了ABACUS,稀疏下的自动贝叶斯变点,贝叶斯源分离技术,以恢复潜在的信号,同时也检测模型参数的变化。多级稀疏实现了信号变化的降维和建模。我们表明,ABACUS在仿真研究中对最先进的变化检测方法和建立的潜变量模型具有竞争力或优越的性能。我们还说明了ABACUS的两个实际应用,建模基因组图谱和分析家庭用电量。
2018-10-15 stat.AP stat.ME stat.ML
MAP segmentation in Bayesian hidden Markov models: a case study
University of Tartu(塔尔图大学);Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
考虑了贝叶斯环境下有限状态和有限发射字母表隐马尔可夫模型(HMM)的最大后验概率(MAP)状态序列的估计问题,其中发射矩阵和转移矩阵都具有Dirichlet先验.我们研究了由数千个蛋白质比对对组成的训练集。训练数据用于设置贝叶斯MAP分割的先验超参数。由于Viterbi算法不再适用,没有简单的过程来找到MAP路径,并考虑和比较几种迭代算法。本文的主要目标是测试贝叶斯设置对频率论,其中的参数估计使用的训练数据。
2020-04-17 cs.LG stat.CO stat.ML
A Bayesian binary algorithm for RMS-based acoustic signal segmentation
变点分析(也称为分段分析)旨在分析有序的一维向量,以便找到数据的某些特征发生变化的位置。许多模型和算法已在这一主题下进行了研究,包括模型的均值和/或方差的变化,在线性回归参数的变化等,在这项工作中,我们感兴趣的是一个算法的分割长持续时间的声信号的分割是基于信号的RMS功率的变化。我们研究了贝叶斯模型与两种可能的参数化,并提出了一个二进制算法在两个版本中,使用非信息或信息先验。我们应用我们的算法分割注释的声音信号从Alcatrazes海洋保护公园在巴西。
2019-08-08 stat.AP
A computationally efficient nonparametric approach for changepoint detection
在本文中,我们基于Zou等人提出的方法。(2014)用于非参数变点检测。这种方法将数据集的最佳分割定义为使惩罚成本函数最小化的分割,其中成本函数根据每个段内的数据的非参数对数似然来定义。使用动态规划可以最小化这个成本函数,但是他们的算法的计算成本是数据集长度的立方。为了加快计算速度,Zou et al.(2014)采用了筛选过程,这意味着估计的分割不再保证是成本函数的全局最小值。我们表明,筛选过程对变点检测方法的准确性产生不利影响,并显示了一种更快的动态规划算法,修剪精确线性时间,PELT(Killick等人,2012),可以用于找到最佳分割,其计算成本在数据量上可以接近线性。PELT需要惩罚以避免模型拟合不足/过度,这可能对检测到的变化点的质量产生不利影响。为了克服这个问题,我们使用一种相对较新的方法,在惩罚范围内的变化点(CROPS)(Haynes等人,2015),其在连续范围内找到多个惩罚值的所有最优分割。我们应用我们的方法来检测身体活动期间心率的变化。
2016-02-03 stat.CO
On Optimal Multiple Changepoint Algorithms for Large Data
越来越需要能够准确检测长时间序列或等效数据中的变点的算法。检测变化点的许多常见方法,例如基于惩罚似然或最小描述长度,可以在最小化分割成本方面制定。动态规划方法可以精确地解决这个最小化问题,但这些方法往往在时间序列的长度上至少以二次方的方式扩展。存在诸如二进制分割的算法,其具有在时间序列的长度上接近线性的计算成本,但是这些算法不能保证找到最佳分割。最近修剪的想法已经提出,可以加快动态规划算法,同时仍然保证找到真正的最小值的成本函数。在这里,我们扩展了这些修剪方法,并介绍了两个新的算法分割数据,FPOP和SNIP。实证结果表明,FPOP是大大快于现有的动态规划方法,与现有的方法不同,其计算效率是强大的数据中的变点的数量。我们评估的方法在检测拷贝数的变化,并观察到,FPOP的计算成本是有竞争力的二进制分割。
2014-09-05 stat.CO stat.ME
Bayesian nonparametric image segmentation using a generalized Swendsen-Wang algorithm
无监督图像分割的目的是将图像的像素集合聚类成空间上均匀的区域。我们在这里介绍了一类贝叶斯非参数模型来解决这个问题。这些模型是基于一个组合的一个Potts样的空间平滑组件和一个用于控制集群的数量和大小的分区的先验。这类模型足够灵活,可以包括标准的Potts模型和最近的Potts-Dirichlet过程模型\cite{Orbanz2008}。更重要的是,可以引入任何关于分区的先验来控制全局聚类结构,以便在必要时可以惩罚小的或大的聚类。贝叶斯计算使用原来的广义Swendsen-Wang算法。实验表明,我们的方法是有竞争力的RAND\指数相比,流行的图像分割方法,如均值漂移,和最近的替代贝叶斯非参数模型。
2016-02-09 stat.ML
Fast Implementation of a Bayesian Unsupervised Segmentation Algorithm
在最近的一篇论文中,我们提出了一种完全基于贝叶斯方法的无监督音频信号分割算法。然而,在其第一次实施中,该方法显示出较差的计算性能。在本文中,我们解决这个问题,通过描述一个快速的并行实现使用Python的Cython库,我们使用开放的GSL方法的标准数学函数,和并行化的OpenMP框架。我们还提供了一个详细的分析,其不同的参数的算法的敏感性,并显示其应用到现实生活中的巴西南海岸的水下信号。我们的代码和数据可以在github上免费获得。
2018-03-13 stat.CO
Bayesian Generative Models for Knowledge Transfer in MRI Semantic Segmentation Problems
基于深度学习的自动分割方法最近表现出最先进的性能,优于普通方法。然而,这些方法不适用于小数据集,这是非常常见的医疗问题。为此,我们提出了一种通过生成贝叶斯先验网络的疾病之间的知识转移方法。我们的方法与预训练方法和随机初始化进行了比较,并在脑肿瘤分割2018数据库(BRATS 2018)的小子集的Dice相似系数度量方面获得了最佳结果。
2020-05-27 eess.IV stat.ML
Inverse Renormalization Group Transformation in Bayesian Image Segmentations
Tohoku University(东北大学);Yamagata University(山形大学);Kyoto University(京都大学)
提出了一种新的贝叶斯图像分割算法,该算法将循环置信传播和逆实空间重整化群变换相结合,以减少计算时间。在我们的实验结果中,我们观察到,所提出的方法可以减少计算时间,传统的贝叶斯方法所采取的不到十分之一。
2015-01-05 cond-mat.stat-mech cs.CV stat.ML
Bayesian nonparametric shared multi-sequence time series segmentation
KTH Royal Institute of Technology(瑞典皇家理工学院);University of Bath(巴斯大学);University of Bristol(布里斯托大学)
在本文中,我们介绍了一种方法分割时间序列数据使用贝叶斯非参数的工具。我们考虑的任务是将一组时间序列数据的时间分割成具有代表性的固定段。我们使用高斯过程(GP)先验知识的基础上的固定段的特性,并使用非参数分布划分成这样的段序列,制定在段长度的先验分布。给定分割,该模型可以被视为高斯混合模型的变体,其中使用GP的协方差函数来描述混合分量。我们证明了我们的模型的有效性合成数据,以及对实时的-系列数据的心跳,其中的任务是分割的指示性类型的心跳和分类的心跳记录到类,对应于健康和异常的心音。
2020-01-27 cs.LG stat.ML
A Comparison of Single and Multiple Changepoint Techniques for Time Series Data
本文介绍和比较了几个突出的单变点和多变点技术的时间序列数据。由于变点在推理中的重要性,相关数据的变点研究近年来得到了加速。不幸的是,模型假设中的小扰动可能会极大地改变变点结论;例如,如果忽略相关性,时间序列中的严重正相关性可能会被错误地归因于均值漂移。本文考虑了单变点和多变点技术。本文首先研究了单变点问题的累积和(Cumulative sum,Cumulative sum)和似然比检验及其变体;在这里,各种统计数据、边界裁剪场景和缩放方法(例如,缩放到极值或布朗桥极限)进行比较。最近开发的测试的基础上求和平方的统计在所有时间被证明具有现实的第一类错误和优越的检测能力。然后,论文转向多个变点设置。在这里,受惩罚的可能性驱动了讨论,AIC,BIC,mBIC和MDL惩罚被考虑在内。二进制和野生二进制分割技术进行了比较。我们引入了一个新的距离度量,专门设计来比较两个多变点分割。讨论了算法和计算问题,并提供模拟来支持所有结论。最后,多个变点设置承认没有明确的方法论赢家,性能取决于特定的场景。尽管如此,还是会出现一些实际指导。
2021-01-06 stat.CO stat.ME
Fast unsupervised Bayesian image segmentation with adaptive spatial regularisation
University of Bristol(布里斯托大学);Heriot Watt University(赫瑞瓦特大学)
本文提出了一种新的贝叶斯估计技术,隐藏的Potts-Markov随机场与未知的正则化参数,应用于快速无监督的K类图像分割。该技术是通过首先去除正则化参数从贝叶斯模型的边缘化,然后由小方差渐近(SVA)分析,其中的空间正则化和整数约束的波茨模型的条款解耦。这个SVA贝叶斯估计的评估,然后放松到一个问题,可以有效地计算通过迭代求解凸全变差去噪问题和最小二乘聚类(K-均值)问题,这两个问题都可以直接解决,即使在高维度,并与并行计算技术。这导致了一种快速的完全无监督贝叶斯图像分割方法,其中空间正则化的强度在推理过程中自动适应于观察到的图像,并且可以很容易地应用于大型2D和3D场景或需要低计算时间的应用中。在真实图像上的实验结果,以及与最先进算法的广泛比较,证实了所提出的方法提供了非常快的收敛速度,并产生准确的分割结果,具有自调整正则化参数的重要附加优势。
2016-02-02 cs.CV stat.CO
Fully Automatic Brain Tumor Segmentation using a Normalized Gaussian Bayesian Classifier and 3D Fluid Vector Flow
University of Alberta(阿尔伯塔大学)
从磁共振图像(MRI)分割脑肿瘤是测量肿瘤对治疗的反应的重要任务。然而,自动分割非常具有挑战性。提出了一种基于归一化高斯贝叶斯分类和新的三维流体矢量流(FVF)算法的脑肿瘤自动分割方法。在我们的方法中,归一化高斯混合模型(NGMM)的建议,并用于健康的脑组织建模。利用高斯贝叶斯分类器从测试脑MR图像中获取高斯贝叶斯脑图(GBBM)。进一步处理GBBM以初始化3D FVF算法,该算法分割脑肿瘤。该算法有两个主要贡献。首先,我们提出了一个NGMM模型健康的大脑。其次,我们将我们的2D FVF算法扩展到3D空间,并将其用于脑肿瘤分割。所提出的方法是在一个公开的数据集上进行验证。
2019-05-01 cs.CV cs.LG cs.MM
A Fully Bayesian Infinite Generative Model for Dynamic Texture Segmentation
Sharif University of Technology(谢里夫理工大学);City University of Hong Kong(香港城市大学)
生成式动态纹理模型(GDTM)被广泛用于视频序列的动态纹理(DT)分割。GDTM将DT表示为一组线性动态系统(LDS)。这些模型的一个主要限制是自动选择适当数量的DT。Dirichlet过程混合模型是近年来出现的非参数贝叶斯统计的基石,是解决这一问题的一个乐观的候选者。在此动机下,以解决上述缺点,我们提出了一种新的非参数完全贝叶斯方法DT分割,制定的基础上,一个联合的DSPER和GDTM建设。这种相互作用使得算法能够适当地克服自动分割的问题。我们推导出变分贝叶斯期望最大化(VBEM)推断所提出的模型。此外,在E-步骤的推理,我们应用Rauch-Tung-Striebel平滑(RTSS)算法的变分贝叶斯LDSS。最后,对不同的视频序列进行了实验。实验结果表明,该算法在效率和准确性上明显优于以往的方法。
2019-01-13 cs.GR cs.LG stat.ML
Bayesian Generative Models for Knowledge Transfer in MRI Semantic Segmentation Problems
ADASE;Skoltech(斯科尔科沃科技学院)
基于深度学习的自动分割方法最近表现出最先进的性能,优于普通方法。然而,这些方法不适用于小数据集,这是非常常见的医疗问题。为此,我们提出了一种通过生成贝叶斯先验网络的疾病之间的知识转移方法。我们的方法与预训练方法和随机初始化进行了比较,并在脑肿瘤分割2018数据库(BRATS 2018)的小子集的Dice相似系数度量方面获得了最佳结果。
2019-08-15 cs.CV cs.LG eess.IV
GRACE: A General, Exact Changepoint Calculus
GRACE提出一种通用精确变点估计框架,通过联合包络演算统一处理分段形式、过渡类型与参数选择,涵盖多种现有方法,并支持并行计算。
2026-10-14 stat.CO stat.ME
A cross-center smoothness prior for variational Bayesian brain tissue segmentation
University of Copenhagen(哥本哈根大学);Erasmus Medical Center(伊拉斯谟医学中心)
假设一个人面临着MR图像中的组织分割的挑战,在其中心没有注释器来提供标记的训练数据。一种选择是去另一个医疗中心接受训练的分类器。遗憾的是,由于中心特定的采集协议引起的体素强度偏移,组织分类器不能很好地跨中心推广。然而,分割的某些方面,如空间平滑度,保持相对一致,可以单独学习。在这里,我们提出了一个平滑之前,适合在另一个医疗中心产生的分割。这种信息先验被呈现给无监督贝叶斯模型。该模型对体素强度进行聚类,从而产生与其他医疗中心的分割类似的平滑分割。此外,无监督贝叶斯模型扩展到一个半监督的变体,它不需要到组织的聚类的视觉解释。
2019-03-11 cs.CV cs.LG stat.ML
From a Point Cloud to a Simulation Model: Bayesian Segmentation and Entropy based Uncertainty Estimation for 3D Modelling
BMW Group(宝马集团);Alpen-Adria-University Klagenfurt(克拉根福阿尔卑斯-亚德里亚大学)
室内环境的3D建模和过程模拟的生成在工厂和装配规划中发挥着重要作用。在棕地规划案例中,现有数据通常是过时和不完整的,特别是对于旧工厂,这些工厂主要是以2D规划的。因此,当前的环境模型不能直接基于现有数据生成,并且关于如何以高度自动化的方式构建这样的工厂模型的整体方法几乎不存在。在生产工厂中生成环境模型的主要步骤包括数据收集和预处理、对象识别以及姿态估计。在这项工作中,我们详细阐述了一个有条不紊的工作流程,从大规模室内环境的数字化开始,到静态环境或模拟模型的生成结束。使用能够进行点云分割的贝叶斯神经网络来实现对象识别步骤。我们阐述了如何使用贝叶斯分割框架产生的网络不确定性信息,以建立一个更准确的环境模型。数据收集和点云分割的步骤,以及由此产生的模型的准确性进行评估的真实世界的数据集收集在一个大规模的汽车生产工厂的装配线。分割网络进一步评估公开的斯坦福大学大规模三维室内空间数据集。贝叶斯分割网络显然超过了频率论基线的性能,并允许我们大大提高模拟场景中模型放置的准确性。
2021-02-04 cs.LG stat.ML
Bayesian detection of abnormal segments in multiple time series
我们提出了一种新的贝叶斯方法来分析多个时间序列的目的是检测异常区域。这些是数据属性从某些正常或基线行为发生变化的区域。我们允许这样的变化只存在于时间序列的一个潜在的小子集中的可能性。我们开发了一个通用的模型,这个问题,并显示它是如何能够准确和有效地进行贝叶斯推断,递归的基础上,使独立的抽样从后验分布。这个问题的一个激励应用来自检测拷贝数变异(CNVs),使用来自多个个体的数据。跨个体汇集信息可以增加检测CNV的能力,但通常特定的CNV仅存在于一小部分个体中。我们评估模拟和真实CNV数据的贝叶斯方法,并给出证据表明,这种方法比最近提出的方法分析这些数据更准确。
2015-08-14 stat.AP stat.CO
Knowing what you know in brain segmentation using Bayesian deep neural networks
National Institute of Mental Health(国家精神卫生研究所);McGovern Institute for Brain Research, Massachusetts Institute of Technology(麻省理工学院麦戈文脑研究所)
在本文中,我们描述了一种贝叶斯深度神经网络(DNN),用于在几分钟而不是几小时内预测结构MRI体积的FreeSurfer分割。该网络在一个大型数据集(n = 11,480)上进行了训练和评估,该数据集是通过组合来自100多个不同站点的数据获得的,并且还在另一个完全保留的数据集(n = 418)上进行了评估。该网络使用一种新的尖峰和板辍学为基础的变分推理方法进行训练。我们表明,在这些数据集上,所提出的贝叶斯DNN在分割预测和FreeSurfer标签之间的相似性以及这些预测的估计不确定性的有用性方面优于以前提出的方法。特别是,我们证明了该网络在每个体素上的预测不确定性是网络是否出错的一个很好的指标,并且整个大脑的不确定性可以预测扫描的手动质量控制评级。所提出的贝叶斯DNN方法应该适用于任何新的网络架构,以解决分割问题。
2019-09-18 cs.CV cs.LG stat.ML
A log-linear time algorithm for constrained changepoint detection
变点检测是时间序列和基因组数据中的核心问题。对于某些应用程序,对更改的方向施加约束是很自然的。一个例子是ChIP-seq数据,对于该数据,添加上下约束提高了峰值检测精度,但使优化问题更加复杂。我们展示了如何最近提出的功能修剪技术可以适应解决这种约束的变点检测问题。这导致了一个新的算法,它可以解决问题的任意仿射约束相邻段的手段,并具有经验的时间复杂度是对数线性的数据量。该算法在几个基因组数据集的基准测试中达到了最先进的精度,并且比具有类似精度的现有算法快了几个数量级。我们的实现可以作为coseg R包中的PeakSegPDPA函数获得,https://github.com/tdhock/coseg
2017-03-09 q-bio.GN stat.CO stat.ML
An adaptive MCMC method for multiple changepoint analysis with applications to large datasets
研究了变点个数和位置均未知的变点的贝叶斯推断问题。特别是,我们考虑产品分区模型,其中可以整合出每个变点之间的制度的模型参数,在潜在向量上留下后验分布,指示在每个观察点是否存在变点。Fearnhead(2006)也考虑了同样的问题,其中可以使用过滤递归来进行精确推理。然而,该算法的复杂度二次依赖于观察的数量。我们的方法依赖于有限离散状态空间的自适应马尔可夫链蒙特卡罗(MCMC)方法。我们开发了一种自适应算法,它可以从过去的状态的马尔可夫链,以建立建议分布,可以快速发现变化点可能位于。我们证明了我们的算法的后验分布遍历。至关重要的是,我们证明了我们的自适应MCMC算法是可行的大型数据集的过滤递归方法是不是。此外,我们表明,推理是可能的,在一个合理的时间。
2017-03-11 stat.CO
Efficient model exploration with the integrated nested Laplace approximation
Universidad de Castilla-La Mancha(卡斯蒂利亚-拉曼恰大学)
本文提出利用INLA结合MCMC在模型空间采样,实现分层贝叶斯模型的变量选择与模型探索,并展示于变点模型和对数高斯Cox过程。
2026-09-09 stat.CO stat.ME
Graphical Influence Diagnostics for Changepoint Models
变点模型在各种学科中对有序数据的异质性建模具有广泛的吸引力。然而,缺乏图形化的影响诊断来表征单观测值对变点模型的影响。我们通过开发一个框架来解决这个差距,该框架用于调查变点分割中的不稳定性,并评估单次观测对变点分析的各种输出的影响。我们构建了图形诊断图,使从业者能够评估是否发生不稳定性;如何以及在哪里发生;并检测有影响力的个人观察触发不稳定性。我们分析测井数据来说明如何在实践中使用这种影响诊断图来揭示数据的特征,否则这些特征可能会隐藏起来。
2021-07-22 stat.AP stat.CO stat.ME
Bayesian image segmentations by Potts prior and loopy belief propagation
Tohoku University(东北大学);Yamagata University(山形大学);National Tsing Hua University(国立清华大学)
提出了一种基于Potts先验和循环置信传播的贝叶斯图像分割模型。该贝叶斯模型涉及到Potts模型的两两交互作用、彩色图像建模中高斯分布的平均向量和协变矩阵。这些术语通常被称为统计机器学习理论中的超参数。为了确定这些超参数,我们提出了一个新的方案,超参数估计的基础上的条件最大化熵的Potts先验。该算法基于循环置信传播算法。此外,我们比较了我们的条件最大熵框架与传统的最大似然框架,也澄清如何在LBP的Potts模型的一阶相变影响我们的超参数估计程序。
2014-08-18 cond-mat.dis-nn cond-mat.stat-mech cs.CV