[論文レビュー] Multiple Change Point Estimation in Stationary Ergodic Time Series

Azadeh Khaleghi, Daniil Ryabko|arXiv (Cornell University)|Mar 7, 2012

Control Systems and Identification参考文献 24被引用数 3

ひとこと要約

本稿では、各セグメントが定常エルゴディック過程によって生成されることを唯一の仮定として、高次元の自己相関を持つ時系列における複数の変化点を推定する非パラメトリックで計算的に効率的なアルゴリズムを提案する。この手法は分布距離の経験的推定値を用い、漸近的に一貫性を持つ。これは、系列長が増加するにつれて真の変化点に収束することを意味し、独立性や混合性、有限記憶の仮定がなくても成り立つ。

ABSTRACT

Given a heterogeneous time-series sample, the objective is to find points in time (called change points) where the probability distribution generating the data has changed. The data are assumed to have been generated by arbitrary unknown stationary ergodic distributions. No modelling, independence or mixing assumptions are made. A novel, computationally efficient, nonparametric method is proposed, and is shown to be asymptotically consistent in this general framework. The theoretical results are complemented with experimental evaluations.

研究の動機と目的

• 独立性や混合性の仮定が成り立たない、任意の依存構造を持つ時系列における複数の変化点を検出する課題に対処すること。
• パラメトリックモデルや有限記憶、強い混合条件に依存しない手法を開発し、ゲノム配列や金融時系列などの複雑な現実世界のデータに適用可能にする。
• 各セグメントが定常エルゴディック過程によって生成されることを最小限の仮定として、変化点推定における漸近的一貫性を保証すること。
• 変化点が任意に近接している場合や非常に短いセグメントで分離されている場合にも対応できること。最小距離に下限がない状況でも問題なく処理可能である。
• 徐々に変化する状況を扱えるようにフレームワークを拡張し、漸近的に平均定常エルゴディック過程を仮定することで、急激な分布シフトに限らない応用範囲を拡大すること。

提案手法

• 時系列セグメント間の分布距離の経験的推定値を用いて変化点を検出する。特定のパラメトリック形や依存構造の仮定を必要としない。
• 潜在的な変化点位置のグリッド探索を実行し、計算複雑度を低減するための階層的パーティショニング戦略を適用する。
• 複数のスケールにおける推定値の重み付き平均化を、信頼性の高いセグメント比較を重視する重み付けスキームで行う。
• 定常エルゴディック性の下で分布距離推定値の収束性を活用し、極限において一貫性を保証する。
• 性能スコア（γ）を用いて、有効な変化点検出と誤検出を区別する。セグメントに高々1つの変化点が存在する場合にのみ、γが非ゼロ値に収束する。
• スケールおよびセグメント間の推定値を、経験的分布距離の濃縮不等式と収束速度の理論的保証に基づいて、重み付き和で統合する。

実験結果

リサーチクエスチョン

• RQ1 独立性、混合性、有限記憶の仮定が成り立たない状況下でも、非パラメトリックな変化点検出アルゴリズムが漸近的に一貫性を示せるか？
• RQ2 セグメント長が任意（非常に短いものも含む）であるような時系列において、複数の変化点を同時に推定する方法は何か？
• RQ3 定常エルゴディック過程の仮定のみを置くと、変化点推定の実現可能性と一貫性にどのような影響を与えるか？
• RQ4 変化前の周辺分布と変化後の周辺分布が同一であっても、同時過程分布が異なる場合に、この手法は変化を検出できるか？
• RQ5 変化点間の最小距離に既知の下限がない状況でも、アルゴリズムがロバストに機能し続けるか？

主な発見

• 提案手法は漸近的に一貫性を持つ。系列長が無限大に近づくにつれて、推定された変化点は真の変化点に収束する。
• 独立性、混合性、有限記憶の仮定を一切必要としないため、高次元の自己相関を持つ時系列に適用可能である。
• 全体の系列長が十分に大きい限り、変化点間のセグメントが任意に短くても、アルゴリズムはロバストに機能する。
• 分布距離推定の使用により、周辺分布が変化しなくても、同時過程分布の変化を検出可能である。
• 理論的分析により、十分に長い系列ではアルゴリズムの誤差を任意に小さくでき、定常エルゴディック過程の性質によって収束が保証される。
• 漸近的に平均定常エルゴディック過程の仮定により、徐々の変化に対しても拡張可能であり、急激な分布シフトに限らない応用範囲を拡大する。