Bayesian online collective anomaly and change point detection in fine-grained time series
细粒度时间序列中群体异常与变点的贝叶斯在线检测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究时间序列中的在线变点检测与异常识别。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
细粒度时间序列中群体异常与变点的贝叶斯在线检测
- 研究问题
- 当细粒度时间序列同时出现持续一段时间的异常和结构变点时，如何在线联合识别最近的两类事件并控制计算开销？
- 方法与思路
- 作者建立同时包含群体异常与变点的贝叶斯框架，设计递归在线推断，并通过异常移除机制改进算法扩展性。
- 材料陈述的贡献
- 摘要称，改进算法将时间与空间复杂度降至线性，并通过模拟和两个真实应用展示联合检测的有效性。
- 阅读关注点
- 应核对异常与变点的定义及区分方式、先验和递归更新公式，以及线性复杂度对应的规模和检测误报、延迟指标。
- 阅读边界
- 这是arXiv预印本，同行评审及期刊接收未核实；摘要未说明数据领域、理论检测保证或具体结果，不能判断普遍性能。
原文摘要
Fine-grained time series data are crucial for accurate and timely online change detection. While both collective anomalies and change points can coexist in such data, their joint online detection has received limited attention. In this research, we develop a Bayesian framework capturing time series with collective anomalies and change points, and introduce a recursive online inference algorithm to detect the most recent collective anomaly and change point jointly. For scaling, we further propose an algorithm enhanced with collective anomaly removal that effectively reduces the time and space complexity to linear. We demonstrate the effectiveness of our approach via extensive experiments on simulated data and two real-world applications.