Predictive change point detection for heterogeneous data

要約

「予測と比較」と呼ばれる予測機械学習モデルによって支援される変化点検出 (CPD) フレームワークが導入され、他の最先端のオンライン CPD ルーチンとの関連で特徴づけられます。このフレームワークは、誤検知率とアウトソーシングの点で優れています。
-of-control の平均ランレングス。
このメソッドの焦点は、これらの品質尺度の観点から、CUSUM ルールなどの逐次分析からの標準メソッドを改善することにあります。
これは、移動平均などの一般的に使用される傾向推定関数をより洗練された予測モデルに置き換え (予測ステップ)、その予測を実際のデータと比較する (比較ステップ) ことによって実現されます。
予測ステップで使用される 2 つのモデルは、ARIMA モデルと LSTM 再帰ニューラル ネットワークです。
ただし、フレームワークは一般的な用語で定式化されているため、ここでテストしたもの以外の予測または比較方法の使用が可能です。
この方法の威力は、慣らし運転、定常状態、発散摩耗段階を分ける変化点が、誤検知がほとんどない状態で検出されるトライボロジーのケーススタディで実証されています。

要約(オリジナル)

A change point detection (CPD) framework assisted by a predictive machine learning model called ‘Predict and Compare’ is introduced and characterised in relation to other state-of-the-art online CPD routines which it outperforms in terms of false positive rate and out-of-control average run length. The method’s focus is on improving standard methods from sequential analysis such as the CUSUM rule in terms of these quality measures. This is achieved by replacing typically used trend estimation functionals such as the running mean with more sophisticated predictive models (Predict step), and comparing their prognosis with actual data (Compare step). The two models used in the Predict step are the ARIMA model and the LSTM recursive neural network. However, the framework is formulated in general terms, so as to allow the use of other prediction or comparison methods than those tested here. The power of the method is demonstrated in a tribological case study in which change points separating the run-in, steady-state, and divergent wear phases are detected in the regime of very few false positives.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google