Automatic Change-Point Detection in Time Series via Deep Learning

要約

考えられる変化の種類や、変化がない場合のデータの動作の種類が多岐にわたるため、データの変化点を検出することは困難です。
変化を検出するための統計的に効率的な方法は、これらの両方の特徴に依存するため、専門家が対象のアプリケーションに適した検出方法を開発するのは困難な場合があります。
ニューラル ネットワークのトレーニングに基づいて、新しいオフライン検出方法を自動的に生成する方法を示します。
私たちのアプローチは、単純なニューラル ネットワークで表現できる変化点の存在に関する多くの既存のテストによって動機付けられているため、十分なデータでトレーニングされたニューラル ネットワークは、少なくともこれらの方法と同等のパフォーマンスを備えている必要があります。
このようなアプローチの誤り率を定量化する理論と、それがトレーニング データの量にどのように依存するかを示します。
経験的な結果によると、トレーニング データが限られている場合でも、ノイズが独立していてガウス分布である場合、そのパフォーマンスは標準的な CUSUM ベースの分類器と比較して平均値の変化を検出するのに匹敵し、自己相関または重いノイズが存在する場合にはそれを大幅に上回ることができます。
-テールノイズ。
私たちの方法は、加速度計のデータに基づいて活動の変化を検出し、位置を特定することにおいても優れた結果を示しています。

要約(オリジナル)

Detecting change-points in data is challenging because of the range of possible types of change and types of behaviour of data when there is no change. Statistically efficient methods for detecting a change will depend on both of these features, and it can be difficult for a practitioner to develop an appropriate detection method for their application of interest. We show how to automatically generate new offline detection methods based on training a neural network. Our approach is motivated by many existing tests for the presence of a change-point being representable by a simple neural network, and thus a neural network trained with sufficient data should have performance at least as good as these methods. We present theory that quantifies the error rate for such an approach, and how it depends on the amount of training data. Empirical results show that, even with limited training data, its performance is competitive with the standard CUSUM-based classifier for detecting a change in mean when the noise is independent and Gaussian, and can substantially outperform it in the presence of auto-correlated or heavy-tailed noise. Our method also shows strong results in detecting and localising changes in activity based on accelerometer data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google