[논문 리뷰] Detection of additive outliers in Poisson INteger-valued AutoRegressive time series

Maria Eduarda Silva, Isabel Pereira|arXiv (Cornell University)|2012. 04. 29.

Fault Detection and Control Systems참고 문헌 14인용 수 6

한 줄 요약

이 논문은 포아송 정수값 자기회귀(INAR(1)) 시간 시리즈에서 추가 외포를 탐지하기 위해 게이브스 샘플링을 사용하는 베이지안 접근법을 제안한다. 외포 존재를 은닉 베르누이 변수로 모델링하고 외포 크기를 후행 분포를 통해 추정함으로써, 높은 확률로 외포 발생 시점과 파라미터 추정을 향상시킨다. 실제 IP 접근 데이터셋에서 알려진 외포(t=224)를 후행 확률 0.90로 성공적으로 탐지하였다.

ABSTRACT

Outlying observations are commonly encountered in the analysis of time series. In this paper the problem of detecting additive outliers in integer-valued time series is considered. We show how Gibbs sampling can be used to detect outlying observations in INAR(1) processes. The methodology proposed is illustrated using examples as well as an observed data set.

연구 동기 및 목표

• 계수 시간 시리즈, 특히 INAR(1) 모델에서 추가 외포를 탐지하기 위한 강건한 방법의 부족을 해결하기 위해.
• 정수값 시간 시리즈에서 모형 파라미터를 공동으로 추정하고 외포 발생을 식별하는 베이지안 프레임워크를 개발하기 위해.
• 기존의 외포 탐지 방법은 종종 정수값이 아닌 값을 산출하고 이산 데이터 환경에서는 실패하므로, 이러한 한계를 극복하기 위해.
• 은닉 변수 모델링을 통해 외포 영향을 통합함으로써 모형 적합도와 파라미터 추정을 향상시키기 위해.
• 실제 계수 데이터에서 추가 외포를 식별하고 정량화하는 데 실용적이고 계산적으로 구현 가능한 방법을 제공하기 위해.

제안 방법

• 관측된 시간 시리즈를 추가 외포(AOs)를 포함한 포아송 INAR(1) 과정으로 모델링하며, 외포 발생을 은닉 베르누이 지표 δt와 독립적인 포아송 분포를 따르는 외포 크기 ηt로 표현한다.
• 게이브스 샘플링을 사용하여 α, λ, δt, ηt의 전체 조건부 후행 분포를 반복적으로 갱신함으로써, 파라미터 추정과 외포 탐지의 공동 추정을 가능하게 한다.
• 독립 사전 분포를 할당: 외포 발생에 대해 δt ~ 베르누이(ε), 외포 크기에 대해 ηt ~ 포아송(β)이며, ε와 β는 고정된 초모수이다.
• 이 계층적 베이지안 모델은 INAR(1) 과정과 외포 오염의 가능도를 기반으로 하며, 각 시점에서 외포 상태를 나타내는 은닉 변수를 포함한다.
• 각 시점에서 외포 발생의 후행 확률을 계산하여 고확률 외포 사건을 식별할 수 있도록 한다.
• 모의 데이터와 서버 IP 접근 횟수의 실제 데이터셋에 이 방법을 적용하여, 알려진 외포와의 비교를 통해 성능을 검증한다.

실험 결과

연구 질문

• RQ1 기존 방법이 이산성으로 인해 실패하는 포아송 INAR(1) 시간 시리즈에서, 베이지안 게이브스 샘플링 접근법이 추가 외포를 효과적으로 탐지할 수 있는가?
• RQ2 추가 외포의 포함이 정수값 시간 시리즈에서 모형 파라미터 추정과 모형 적합도에 어떤 영향을 미치는가?
• RQ3 각 시점에서 외포 발생의 후행 확률은 얼마이며, 알려진 외포 사건과 비교해보면 어떠한가?
• RQ4 집합적으로 발생하는 외포로 인한 마스킹 및 스웨핑 효과가 탐지 정확도에 미치는 영향은 어느 정도이며, 이를 어떻게 완화할 수 있는가?
• RQ5 이 방법론은 고차수 INAR(p) 모델로 확장될 수 있으며, 이 경우 계산적 과제는 무엇인가?

주요 결과

• 게이브스 샘플링 방법은 IP 접근 데이터에서 알려진 외포(t=224)를 후행 확률 0.90으로 성공적으로 탐지하여, 이 외포일 가능성이 매우 높다는 것을 확인하였다.
• IP 데이터의 경우, 베이지안 추정치는 α̂_Bayes = 0.27 및 λ̂_Bayes = 0.89였으며, 외포 제거 후 CLS 추정치(α̂_CLS = 0.29, λ̂_CLS = 0.91)와 매우 유사하게 나타났다.
• 시뮬레이션된 데이터에서 시점 9, 27, 97에 각각 3개의 외포가 존재할 경우, 후행 확률이 각각 0.90, 0.01, 0.81로 정확히 식별되었다.
• t=224에서 추정된 외포 크기는 η̂ = 7이었으며, CLS 추정치 6.73과 유사하여 두 방법 간 일관성을 보였다.
• α와 λ의 후행 분포는 추정된 값 주변에 집중되어 있어 안정적이고 신뢰할 수 있는 추론임을 나타내었다.
• 확률 기반 외포 탐지 방식을 통해 결정론적 임계값보다 마스킹 및 스웨핑 위험을 효과적으로 줄였다.