Neural Network-Based Change Point Detection for Large-Scale Time-Evolving Data

要約

このペーパーでは、多変量時間発生データの変化点を検出して検索する問題を研究しています。
問題には統計と信号処理に長い歴史があり、さまざまなアルゴリズムが主に単純なパラメトリックモデル向けに開発されています。
この作業では、フィードフォワードニューラルネットワークを介してデータのモデリングに焦点を当て、次の2段階の手順に基づいて検出戦略を開発します。
最初のステップでは、ニューラルネットワークは、データの事前に指定されたウィンドウでトレーニングされ、そのテストエラー関数は別の事前に指定されたウィンドウで校正されます。
次に、テストエラー関数が移動ウィンドウで使用され、変更点を識別します。
変更点が検出されると、これらの2つのステップを含む手順は、すべての変更点が特定されるまで繰り返されます。
提案された戦略は、データ生成プロセスの時間的依存の下での変化ポイントの数と位置の両方の一貫した推定値をもたらします。
提案された戦略の有効性は、アルゴリズムの実際のチューニングパラメーターと実際のデータセットを選択する方法に関する洞察を提供する合成データセットに示されています。
最後に、検出戦略は一般的であり、さまざまなニューラルネットワークアーキテクチャで動作できるが、提供される理論的保証はフィードフォワードニューラルアーキテクチャに固有のものであることに注意してください。

要約(オリジナル)

The paper studies the problem of detecting and locating change points in multivariate time-evolving data. The problem has a long history in statistics and signal processing and various algorithms have been developed primarily for simple parametric models. In this work, we focus on modeling the data through feed-forward neural networks and develop a detection strategy based on the following two-step procedure. In the first step, the neural network is trained over a prespecified window of the data, and its test error function is calibrated over another prespecified window. Then, the test error function is used over a moving window to identify the change point. Once a change point is detected, the procedure involving these two steps is repeated until all change points are identified. The proposed strategy yields consistent estimates for both the number and the locations of the change points under temporal dependence of the data-generating process. The effectiveness of the proposed strategy is illustrated on synthetic data sets that provide insights on how to select in practice tuning parameters of the algorithm and in real data sets. Finally, we note that although the detection strategy is general and can work with different neural network architectures, the theoretical guarantees provided are specific to feed-forward neural architectures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google