[论文解读] 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 10

一句话总结

本文提出了一种在线时空贝叶斯变点检测方法，该方法在空间结构化的向量自回归（VAR）框架内集成模型选择。通过利用计算效率高的算法，实现线性时间复杂度和常数空间复杂度，该方法能够在多变量、非平稳的空间过程上实现实时预测、变点检测和模型选择，相比先前方法提速两个数量级，且性能优于当前最先进方法。

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.

研究动机与目标

• 解决在实时环境中检测非平稳、多变量时空过程中变点的挑战。
• 将模型选择集成到在线贝叶斯变点检测中，以提升对动态变化的适应能力。
• 开发一种适用于大规模、流式时空数据的计算高效算法。
• 为变点之间使用的空间结构化VAR模型提供近似误差的理论界。
• 在单一在线推理框架中实现预测、变点检测和模型选择的同步处理。

提出的方法

• 该方法采用空间结构化的向量自回归（VAR）模型来建模变点之间的时序动态，捕捉多变量时间序列中的空间依赖性。
• 应用贝叶斯在线推断，递归更新变点时间与模型参数的后验分布。
• 推导出空间结构化VAR模型近似误差的上界，以确保模型的可靠性。
• 算法采用具有线性时间复杂度和常数空间使用量的递归贝叶斯更新方案，实现实时可扩展性。
• 通过在每个时间步比较候选VAR模型的边际似然，实现在线模型选择。
• 通过同时对变点位置和模型参数进行边缘化，支持预测。

实验结果

研究问题

• RQ1 如何将在线变点检测扩展至包含时空过程中的模型选择？
• RQ2 空间结构化VAR模型在捕捉非平稳时空动态时的近似误差是多少？
• RQ3 在线算法能否在多变量变点检测中同时实现高精度与计算效率？
• RQ4 与现有最先进方法相比，所提出方法在性能和速度上表现如何？
• RQ5 空间结构对在线变点检测的准确性与鲁棒性有何影响？

主要发现

• 所提算法实现线性时间复杂度和常数空间复杂度，使其比最接近的竞争对手快两个数量级。
• 在检测多变量时间序列数据的变点和模型选择方面，优于当前最先进方法。
• 该方法为变点之间使用的空间结构化VAR模型提供了近似误差的理论上限。
• 将在线模型选择与变点检测相结合，实现了在非平稳环境下的自适应和精确推断。
• 该算法能够以极低的计算开销，同时支持实时预测、变点检测和模型选择。