[論文レビュー] Spatio-temporal Bayesian on-line changepoint detection with model selection

Jeremias Knoblauch, Theodoros Damoulas|arXiv (Cornell University)|Jul 3, 2018

Statistical Methods and Inference被引用数 10

ひとこと要約

本稿では、空間的に構造化されたベクトル自己回帰（VAR）フレームワーク内にモデル選択を統合する、オンラインな空間時系列ベイズ的変化点検出手法を提案する。計算的に効率的なアルゴリズムを用いることで、線形時間および定数空間計算量を達成し、多次元で非定常な空間時系列プロセスにおいて、リアルタイムでの予測、変化点検出、モデル選択を可能にする。従来手法と比較して2桁の速度向上を達成するとともに、最先端の手法を上回る性能を示す。

ABSTRACT

Bayesian On-line Changepoint Detection is extended to on-line model selection and non-stationary spatio-temporal processes. We propose spatially structured Vector Autoregressions (VARs) for modelling the process between changepoints (CPs) and give an upper bound on the approximation error of such models. The resulting algorithm performs prediction, model selection and CP detection on-line. Its time complexity is linear and its space complexity constant, and thus it is two orders of magnitudes faster than its closest competitor. In addition, it outperforms the state of the art for multivariate data.

研究の動機と目的

• 非定常的で多次元的な空間時系列プロセスにおいて、リアルタイムでの変化点検出の課題に対処すること。
• 変化するダイナミクスに適応可能な柔軟性を高めるために、オンラインベイズ的変化点検出にモデル選択を統合すること。
• 大規模でストリーミングな空間時系列データに適した、計算的に効率的なアルゴリズムの開発。
• 変化点間で使用される空間的に構造化されたVARモデルの近似誤差に対する理論的バウンディング。
• 1つのオンライン推論フレームワーク内で、同時に予測、変化点検出、モデル選択を実行可能にする。

提案手法

• 変化点間の時系列的ダイナミクスをモデル化するために、空間的に構造化されたベクトル自己回帰（VAR）を用いる。これにより、多次元時系列における空間的依存性を捉える。
• オンラインベイズ推論を適用し、変化点時刻およびモデルパラメータの後方分布を再帰的に更新する。
• 空間的に構造化されたVARモデルの近似誤差に対する上界を導出することで、モデルの信頼性を保証する。
• 線形時間計算量と定数空間使用量を持つ再帰的ベイズ更新スキームを用いることで、リアルタイムスケーラビリティを実現する。
• 各時刻で候補となるVARモデル間の周辺尤度を比較することで、オンラインでのモデル選択を実施する。
• 変化点位置とモデルパラメータの両方について周辺化することで、予測を可能にする。

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、空間時系列プロセスにおけるモデル選択を統合する形に拡張する方法は何か？
• RQ2 非定常な空間時系列ダイナミクスを捉える際、空間的に構造化されたVARモデルの近似誤差はどの程度か？
• RQ3 オンラインアルゴリズムは、多次元変化点検出において、高い精度と計算効率の両方を達成できるか？
• RQ4 提案手法は、既存の最先端手法と比較して、性能と速度の面でどのように差をつけるか？
• RQ5 空間的構造は、オンライン変化点検出の精度と頑健性にどのような影響を与えるか？

主な発見

• 提案されたアルゴリズムは、線形時間計算量と定数空間計算量を達成しており、最も近い競合手法と比較して2桁の高速化を実現した。
• 多次元時系列データにおける変化点検出とモデル選択において、最先端の手法を上回る性能を示した。
• 変化点間で使用される空間的に構造化されたVARモデルの近似誤差に対する理論的上界を提供した。
• オンラインモデル選択と変化点検出の統合により、非定常環境において適応的で正確な推論が可能になった。
• 最小限の計算オーバーヘッドで、リアルタイムでの予測、変化点検出、モデル選択を同時に実行可能である。