Automatic Change-Point Detection in Time Series via Deep Learning
基于深度学习的时间序列自动变点检测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：题名和摘要明确围绕时间序列变点的检测与定位展开。
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…
基于深度学习的时间序列自动变点检测
- 研究问题
- 当变化类型及无变化时的数据行为各不相同时，能否通过训练神经网络，自动构造适合具体应用的离线变点检测方法？
- 方法与思路
- 作者利用既有变点检验可由简单神经网络表示的联系，训练检测网络，分析误差率与训练数据量，并进行模拟和活动数据应用。
- 材料陈述的贡献
- 摘要称，方法在独立高斯噪声下与 CUSUM 分类器表现相当，在自相关或重尾噪声下可明显改善，并能定位活动变化。
- 阅读关注点
- 应核对训练样本生成机制、网络表示既有检验的条件、误差界，以及检测与定位在不同噪声和变化类型下的评价方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已获同行评审或接收。摘要未说明理论的具体条件，也未支持对任意分布的性能保证。
原文摘要
Detecting change-points in data is challenging because of the range of possible types of change and types of behaviour of data when there is no change. Statistically efficient methods for detecting a change will depend on both of these features, and it can be difficult for a practitioner to develop an appropriate detection method for their application of interest. We show how to automatically generate new offline detection methods based on training a neural network. Our approach is motivated by many existing tests for the presence of a change-point being representable by a simple neural network, and thus a neural network trained with sufficient data should have performance at least as good as these methods. We present theory that quantifies the error rate for such an approach, and how it depends on the amount of training data. Empirical results show that, even with limited training data, its performance is competitive with the standard CUSUM-based classifier for detecting a change in mean when the noise is independent and Gaussian, and can substantially outperform it in the presence of auto-correlated or heavy-tailed noise. Our method also shows strong results in detecting and localising changes in activity based on accelerometer data.