[論文レビュー] A computationally efficient nonparametric approach for changepoint detection

Kaylea Haynes, Paul Fearnhead+1 more|arXiv (Cornell University)|Feb 3, 2016

Heart Rate Variability and Autonomic Control参考文献 30被引用数 5

ひとこと要約

この論文では、O(n)からO(log n)に段階的コスト計算を削減する計算的に効率的な非パラメトリック変化点検出法NP-PELTを提案する。PELT動的計画法を用いて、データ長nに対してほぼ線形の計算コストで正確なセグメンテーションを実現する。Zouら(2014)のスクリーニング手法よりも精度が高く、アクティビティトラッキングデータにおける心拍数の意味のある生理的フェーズを強固に検出可能である。

ABSTRACT

In this paper we build on an approach proposed by Zou et al. (2014) for nonpara- metric changepoint detection. This approach defines the best segmentation for a data set as the one which minimises a penalised cost function, with the cost function defined in term of minus a non-parametric log-likelihood for data within each segment. Min- imising this cost function is possible using dynamic programming, but their algorithm had a computational cost that is cubic in the length of the data set. To speed up computation, Zou et al. (2014) resorted to a screening procedure which means that the estimated segmentation is no longer guaranteed to be the global minimum of the cost function. We show that the screening procedure adversely affects the accuracy of the changepoint detection method, and show how a faster dynamic programming algorithm, Pruned Exact Linear Time, PELT (Killick et al., 2012), can be used to find the optimal segmentation with a computational cost that can be close to linear in the amount of data. PELT requires a penalty to avoid under/over-fitting the model which can have a detrimental effect on the quality of the detected changepoints. To overcome this issue we use a relatively new method, Changepoints Over a Range of PenaltieS (CROPS) (Haynes et al., 2015), which finds all of the optimal segmentations for multiple penalty values over a continuous range. We apply our method to detect changes in heart rate during physical activity.

研究の動機と目的

• Zouら(2014)のスクリーニング非パラメトリック変化点検出法の代替として、速度を犠牲にせずにより高速かつ正確な手法を開発すること。
• 非パラメトリック変化点検出におけるセグメンテーション精度を損なうヒューリスティックスクリーニング手順の必要性を排除すること。
• 実世界の運動データにおける心拍数データに計算的に効率的な手法を適用し、生物学的に意味のあるセグメントを同定すること。
• 非パラメトリック変化点検出が、アクティビティトラッキングデータにおける明確な生理的フェーズを効果的に同定できることを示すこと。

提案手法

• 実現分布に基づく尤度を用いて、非パラメトリックセグメントコスト関数を簡略化し、1セグメントあたりの計算量をO(n)からO(log n)に削減する。
• グローバルに最適なセグメンテーションを、データ長nに対してほぼ線形の計算コストで得られるPelt（Pruned Exact Linear Time）動的計画法を採用する。
• 一意のペナルティ値への感受性を回避するため、連続的なペナルティ値の範囲で最適なセグメンテーションを探索するCROPS（Changepoints Over a Range of PenaltieS）アルゴリズムを統合する。
• 各変化点ごとにペナルティを差し引いたコスト関数をペナルティ付きコスト関数として定義し、その合計を最小化することで最良のセグメンテーションを特定する。
• 解釈可能性を高めるために、ランニング中の心拍数データにこの手法を適用し、セグメントの色で生理的ゾーン（例：ピーク、無酸素、有酸素、回復）を示す。
• 視覚的および生理学的妥当性を評価基準として、パラメトリックな区分線形モデル（正規尤度を用いたPELT）とNP-PELTを比較する。

実験結果

リサーチクエスチョン

• RQ1 非パラメトリック変化点検出法を、正確性を損なわせることなく計算的に効率化できるか？
• RQ2 Zouら(2014)のスクリーニング手法と比較して、PELTアルゴリズムのセグメンテーション精度はどの程度か？
• RQ3 NP-PELTはランニング活動の心拍数データから生理学的に意味のあるフェーズを検出できるか？
• RQ4 CROPSの使用は、非パラメトリック変化点検出におけるペナルティ選択への感受性をどのように改善するか？
• RQ5 非パラメトリック変化点検出は、区分線形モデル（例：パラメトリック）よりも、心拍数データを生物学的に解釈可能な領域に分割する上で優れているか？

主な発見

• NP-PELTは、セグメントコストの計算量をO(n)からO(log n)に削減し、Zouら(2014)のオリジナル手法に比べて著しく計算効率が向上した。
• Zouら(2014)の手法で用いられるスクリーニング手順は、本研究の実証的比較により、セグメンテーション精度を損なうことが示された。
• PELTを用いることで、NP-PELTはほぼ線形の計算コストを達成し、変化点の数が増加する大規模データセットにもスケーラブルである。
• 本手法は、ウォームアップ、ピーク負荷、回復など、明確な生理的フェーズに心拍数データを適切にセグメント化でき、速度や標高の変化と一致した。
• CROPSにより、ペナルティ値の範囲にわたる複数の最適なセグメンテーションを探索可能となり、ペナルティ値選択への感受性が低減され、よりロバストな結果が得られた。
• パラメトリックな区分線形モデルと比較して、NP-PELTは特に標高や強度の変化に対応する生理的変化をより的確に捉えたセグメントを検出できたが、パラメトリックモデルは平均心拍数の重要なシフトを捉えられなかった。