基于分类器AUC的无模型变点检测
Rohit Kanrar, Feiyu Jiang, Zhanrui Cai; 26(190):1−50, 2025
摘要
在当代数据分析中，处理非平稳复杂数据集变得越来越普遍。这些数据集通常超出了经典的低维欧几里得空间范畴，使得在不依赖强结构假设的情况下检测其分布变化具有挑战性。本文提出了一种新颖的离线变点检测方法，该方法利用了统计和机器学习社区中开发的分类器。
通过适当的数据分割，检验统计量是通过顺序计算曲线下面积（AUC）构建的，该分类器是在序列两端的数据段上训练的。研究表明，生成的AUC过程在真实变点位置达到最大值，这促进了变点估计。所提出的方法具有完全非参数特性、高度通用性、相当大的灵活性，并且不对基础数据或任何分布变化做严格假设。
理论上，我们推导了在零假设下所提出检验统计量的极限枢轴分布，以及在局部和固定替代假设下的渐近行为。还提供了变点估计器的定位速率。大量的模拟研究和两个真实世界数据集的分析表明，与现有的无模型变点检测方法相比，我们的方法具有优越的性能。
[摘要][PDF][文献]
[代码]
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）
公众号二维码
公众号二维码
