Sequential change detection via backward confidence sequences
Carnegie Mellon University(卡内基梅隆大学)
我们提出了一个简单的减少从序贯估计顺序变点检测(SCD)。简而言之,假设我们对检测潜在分布的某些参数或函数$θ$中的变点感兴趣。我们证明,如果我们可以构建一个置信序列(CS)的$θ$,那么我们也可以成功地执行SCD的$θ$。这是通过检查两个CS(一个向前,另一个向后)是否无法相交来实现的。由于CSs的文献最近发展迅速,本文提供的减少立即解决了几个新老的变化检测问题。此外,我们的“向后CS”,通过逆转时间构建,是新的和潜在的独立利益。我们提供了强有力的非渐近保证的虚警和检测延迟的频率,并证明了几个问题的数值有效性。
2023-02-06 cs.IT cs.LG math.IT
Sequential estimation of Spearman rank correlation using Hermite series estimators
在这篇文章中,我们描述了一个新的Hermite系列基于序贯估计斯皮尔曼秩相关系数,并提供算法适用于平稳和非平稳设置。为了处理非平稳设置,我们引入了一种新的,指数加权的斯皮尔曼秩相关估计,它允许跟踪的二元数据流的局部非参数相关。据我们所知,这是第一个算法提出估计时变斯皮尔曼秩相关,不依赖于移动窗口的方法。我们通过真实的数据和模拟研究,展示了良好的实际性能,探讨了厄米级数为基础的估计的实际有效性。特别是模拟研究揭示了竞争力的性能相比,现有的算法。这项工作的潜在应用是多方面的。基于Hermite级数的Spearman秩相关估计可用于快速、鲁棒的在线相关计算。可能的机器学习应用包括在海量数据集上的快速特征选择和分层聚类等。
2021-07-06 stat.CO stat.ME stat.ML
Distribution-free changepoint localization after sequential change detection
Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种无分布框架,在停止顺序变化检测程序后构建变化点的后检测置信集,无需任何分布假设,并保证了有限样本覆盖率和渐近有界期望大小。
2026-07-08 cs.LG stat.ME stat.ML
Post-detection inference for sequential changepoint localization
Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种通用框架,用于在序列变化点检测后构建置信集,不依赖特定假设,理论上有保证,且在实践中应用广泛。
2026-09-26 cs.AI cs.LG stat.ME
Sequential change-point detection for mutually exciting point processes over networks
Georgia Institute of Technology(佐治亚理工学院);Duke University(杜克大学)
本文提出了一种新的连续检测自激和互激过程变点的方法。使用离散事件数据的霍克斯网络。霍克斯网络已经成为统计学和机器学习的流行模型,因为它们能够对不规则观测数据进行建模,其中事件之间的时间携带大量信息。在霍克斯网络中检测突变的问题来自于各种应用,包括神经元成像,传感器网络和社交网络监控。尽管如此,还没有一个计算和内存有效的在线算法来检测这样的变化,从顺序数据。我们提出了一个有效的在线递归实现的Hawkes过程,既分散和内存效率,并建立了这个新的CRACUUM过程的理论性质的CRACUUM统计。然后,我们表明,建议的CRAMUM方法实现了更好的性能比现有的方法,包括Shewhart程序计数数据的基础上,广义似然比(GLR)在现有的文献中,和标准得分统计。我们证明了这一点,通过一个模拟的例子和应用程序的人口代码变化检测神经网络。
2022-03-04 cs.LG stat.ML
E-detectors: a nonparametric framework for sequential change detection
本文提出基于e-过程的非参数序贯变化检测框架,通过Shiryaev-Roberts和CUSUM型e-检测器及其混合设计,在无独立同分布假设下实现有界随机变量均值变化检测,并提供虚警频率和检测延迟的非渐近及近最优界限。
2023-10-29 math.ST stat.ME stat.ML
Sketching for Sequential Change-Point Detection
Georgia Institute of Technology(佐治亚理工学院);University of Oxford(牛津大学);Rensselaer Polytechnic Institute(伦斯勒理工学院)
我们研究了基于线性草图的高维信号向量广义似然比(GLR)统计的顺序变点检测程序。GLR统计允许未知的变更后平均值,代表异常或新颖性。我们考虑固定和随时间变化的预测,推导出理论近似的两个基本性能指标:平均运行长度(ARL)和预期的检测延迟(EDD),这些近似值被证明是高度准确的数值模拟。我们进一步表征的相对性能测量的草图过程相比,没有草图,并表明,可以有一点性能损失时,信号强度是足够大的,足够数量的草图被使用。最后,我们展示了良好的性能,使用模拟和真实数据的例子,在电力网络中的太阳耀斑检测和故障检测的草图程序。
2018-04-30 cs.LG stat.ML
Sequential Change Point Detection via Denoising Score Matching
Carnegie Mellon University(卡内基梅隆大学);University of Minnesota(明尼苏达大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出一种基于去噪分数匹配的CUSUM变点检测方法,通过估计数据分布分数函数来检测分布变化,理论分析和实验证明其在高维复杂数据中有效。
2025-01-22 cs.LG stat.ML
Sequential changepoint detection in classification data under label shift
分类器预测通常依赖于假设新的观测值来自与训练数据相同的分布。当底层分布发生变化时,最优分类规则也会发生变化,性能可能会降低。我们考虑的问题,检测这种变化的分布在顺序观察,未标记的分类数据。我们专注于标签转移的变化,类先验转移,但类条件分布保持不变。我们把这个问题归结为一维分类器得分变化的检测问题,从而得到简单的非参数连续变点检测程序。我们的程序利用分类器训练数据来估计检测统计量,并收敛到训练数据大小的参数对应值。在模拟中,我们表明,我们的方法优于其他检测程序在这个标签移位设置。
2021-08-31 stat.ME stat.ML
Sequential Gradient Descent and Quasi-Newton's Method for Change-Point Analysis
Texas A&M University(得克萨斯农工大学)
检测变点的一种常见方法是在变点的可能数量和位置上最小化成本函数。该框架包括几个完善的程序,如惩罚的可能性和最小描述长度。这种方法需要在数据集的不同段上重复地找到成本值,当(i)数据序列很长并且(ii)获得成本值涉及解决非平凡优化问题时,这可能是耗时的。本文介绍了一种新的顺序方法(SE),可以耦合梯度下降(SeGD)和拟牛顿法(SeN),以有效地找到成本值。其核心思想是使用先前步骤中的信息更新成本值,而无需重新优化目标函数。将该方法应用于广义线性模型和惩罚回归的变点检测。数值研究表明,新的方法可以比修剪精确线性时间(PELT)方法快几个数量级,而不牺牲估计精度。
2022-10-21 cs.LG stat.ML
Optimal Sub-sampling to Boost Power of Kernel Sequential Change-point Detection
我们提出了一种新的方案,以提高检测能力的内核最大均值差异为基础的顺序变点检测程序。我们所提出的方案的特点是在检测过程之前对历史数据进行最佳子采样,以解决从巨大的历史数据中随机子采样所引起的功率损失。我们将我们提出的计划扫描$B$和内核累积和(Kernel Cumulative Sum,KCUM)程序,并从大量的数值实验中观察到改进的性能。
2023-01-14 stat.ME stat.ML
Partially-Observable Sequential Change-Point Detection for Autocorrelated Data via Upper Confidence Region
Tsinghua University(清华大学);University of Florida(佛罗里达大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
针对资源受限下部分可观测的多元自相关数据序贯变点检测问题,本文提出AUCRSS方案,结合状态空间模型、部分可观测卡尔曼滤波、广义似然比检验与基于上置信区域的自适应采样策略,并通过理论分析和数值实验验证其有效性。
2024-03-30 cs.LG stat.ML
Asymptotically optimal sequential change detection for bounded means
Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种在有界均值条件下,能够达到渐近最优性能的序列变化检测方法,通过推导并证明了严格的下界和上界,实现了在低I型误差下的最优检测延迟。
2026-02-05 math.PR math.ST stat.ML
Sequential online prediction in the presence of outliers and change points: an instant temporal structure learning approach
Nanjing University of Posts and Telecommunications(南京邮电大学);Zhejiang University(浙江大学)
在本文中,我们考虑序列在线预测(SOP)的流数据中存在的异常值和变化点。我们提出了一个即时TEMporal结构学习(INTEL)算法来解决这个问题。我们的INTEL算法是在充分考虑在线预测和异常检测之间的双重性的基础上开发的。我们首先采用加权高斯过程模型(WGP)的混合物,以涵盖预期的可能的时间结构的数据。然后,基于这种WGP混合物丰富的建模能力,我们开发了一种有效的技术来即时学习(捕获)政权转移后的数据的时间结构。这种即时学习仅通过调整混合模型的一个超参数值来实现。一个加权的推广的产品的专家(POE)模型用于融合预测产生的多个GP模型。一旦实际观测值严重偏离融合预测,则声明为离群值。如果连续声明了一定数量的离群值,则声明了变化点。使用不同的真实数据集进行了广泛的实验。结果表明,该算法是显着优于基准方法的SOP中存在的异常值和变化点。
2020-02-11 cs.LG stat.ML
Sequential Multivariate Change Detection with Calibrated and Memoryless False Detection Rates
Seldon Technologies(Seldon科技公司)
适当地响应于顺序变化检测器的检测需要知道在没有变化的情况下假阳性发生的速率。设置检测阈值以实现期望的假阳性率是具有挑战性的。现有的作品诉诸于设置时不变的阈值,专注于在没有变化的情况下,检测器的预期运行时间,无论是从下面松散地绑定它或直接针对它,但与渐近参数,我们显示在实践中造成重大的误校准。我们提出了一种基于模拟的方法来设置随时间变化的阈值,允许所需的预期运行时间被准确地定位,同时还保持跨时间步长的误报率恒定。虽然阈值设置的方法是度量不可知的,我们展示了如何使用流行的二次时间MMD估计的成本可以减少从$O(N^2B)$到$O(N^2+NB)$在配置过程中,从$O(N^2)$到$O(N)$在操作过程中,其中$N$和$B$分别是参考和引导样本的数量。
2022-02-17 cs.LG stat.AP stat.ME