[論文レビュー] Bayesian Online Prediction of Change Points

Diego Agudelo-España, Sebastián Gómez-González+3 more|arXiv (Cornell University)|Feb 12, 2019

Statistical Methods and Inference被引用数 6

ひとこと要約

本稿は、観測モデルに全セグメント期間を組み込むことで、ベイジアンオンライン変化点検出（BOCPD）を拡張し、次の変化点までの残り時間を予測する手法を提案する。この手法により、時間スケーリングがかかる時系列データに対して、オンラインで不確実性を伴うセグメント検出が可能となり、EEGおよびECGデータにおいて標準BOCPDよりも予測精度が向上したことが実証された。

ABSTRACT

Online detection of instantaneous changes in the generative process of a data sequence generally focuses on retrospective inference of such change points without considering their future occurrences. We extend the Bayesian Online Change Point Detection algorithm to also infer the number of time steps until the next change point (i.e., the residual time). This enables to handle observation models which depend on the total segment duration, which is useful to model data sequences with temporal scaling. The resulting inference algorithm for segment detection can be deployed in an online fashion, and we illustrate applications to synthetic and to two medical real-world data sets.

研究の動機と目的

• 既存のオンライン変化点検出手法が将来の変化点を予測しないという限界を解決すること。
• リアルタイムでのセグメント境界と残り時間の共同推論を可能にし、事前に介入を要する応用を支援すること。
• 時間スケーリングされたデータをモデル化するため、ランレングスと全セグメント期間の両方に依存する新しい観測モデルのクラスを開発すること。
• 既存のBOCPD拡張と互換性があるモジュラーでオンラインの推論および学習フレームワークを提供すること。

提案手法

• ランレングスとセグメント期間から得られる残り時間分布を導入することで、BOCPDを拡張し、次の変化点の予測を可能にする。
• 時間的スケーリングを関数的形状に組み込むために、全セグメント期間 dt に明示的に依存する新しい観測モデル（UPMs）のクラスを導入する。
• 変化点の発生をハザード関数のパrameterizationでモデル化し、期間モデル p(dt|zt) をハザード関数から導出する。
• モデル重みに共役事前分布を用い、EKG波などの時間スケーリング信号を基底関数表現（例：ニューラルネットワーク）でモデル化する。
• ラベル付きデータを用いた教師ありハイパーパramータ学習のための最尤推定（MLE）を適用する。
• ランレングスとセグメント期間の結合事後分布に対する再帰的ベイズ更新により、オンライン推論を実行する。

実験結果

リサーチクエスチョン

• RQ1 オンライン変化点検出を、過去の変化の検出にとどまらず、次の変化点までの時間を予測できるように拡張することは可能か？
• RQ2 ECGや睡眠サイクルなどの時間スケーリングされたデータに対して、観測モデルを全セグメント期間に依存するように一般化することは可能か？
• RQ3 観測モデルにセグメント期間を組み込むことで、残り時間予測の精度と不確実性評価にどのような影響を与えるか？
• RQ4 実世界の医療時系列データにおいて、本手法は標準BOCPDと比較して予測性能で優れているか？

主な発見

• 本手法は、合成データおよび実データの両方で、セグメントが進行するにつれて不確実性が低下する傾向を示し、真の値と整合的である、正確な残り時間予測を達成した。
• ECGデータでは、心拍サイクルステージ分類においてF1スコアが0.89（S0）および0.91（S1）を達成し、効果的な同時セグメンテーションと分類が可能であることを示した。
• ECGデータにおいて、観測モデルが全セグメント期間に依存する場合、EEGにおける期間無視型モデルと比較して、残り時間推論がはるかに信頼性が高く正確であることが明らかになった。
• 評価されたすべてのエポックにおいて、残り時間の事後分布が真の残り時間の2標準偏差の範囲内に保たれ、信頼性の高い不確実性評価が実現している。
• 提案モデルは数学的に隠れ部分マルコフモデル（HSMM）と同等であるが、オンライン推論をサポートしており、リアルタイムでの実装が可能である。
• 本手法は、ラベル付きデータを用いた最尤推定により、ハイパーパramータのオンライン学習が可能であり、実用的デプロイメントを支援する。