多元数据流中的变化检测：似然和可检测性损失
摘要：当数据维度扩展时，我们处理多元数据流中检测变化的问题，并研究变化检测方法在面对数据维度扩展时所面临的困难。具体而言，我们考虑一种通用的方法，通过比较数据流对数似然分布在不同时间窗口上的差异来检测变化。尽管这种方法构成了多种变化检测方法的框架，但它在数据维度扩展时的有效性从未被研究过，这正是我们论文的目标。我们表明，变化的大小可以通过前后变化分布之间的对称Kullback-Leibler散度在自然上进行测量，并且当数据维度增加时，同一大小的变化的可检测性降低。我们将这个问题称为“检测损失”，这是由于对数似然方差与数据维度之间的线性关系引起的。我们在高斯分布数据流上进行的分析推导了检测损失，并经验性地证明了这个问题在现实世界数据集上也存在，并且即使在低数据维度下（比如，10）也可能造成损害。
作者：Cesare Alippi, Giacomo Boracchi, Diego Carrera, Manuel Roveri
论文ID：1510.04850
分类：Machine Learning
分类简称：stat.ML
提交时间：2017-12-04