通过循环神经网络检测变化点的选择性推理
Tomohiro Shiraishi1, Daiki Miwa2, Vo Nguyen Le Duy3
1Department of Mechanical Systems Engineering, Nagoya University, Nagoya, Japan, 464-8603 shiraishi.tomohiro.nagoyaml@gmail.com.
Neural computation
|November 18, 2024
概括
本研究量化了使用循环神经网络 (RNN) 的时间序列的变化点 (CP) 检测可靠性. 一种新的选择性推断 (SI) 方法提供有效的p值,减少来自噪声的错误检测.
科学领域:
- 时间序列分析时间序列分析.
- 机器学习是机器学习.
- 统计推断的统计推断.
背景情况:
- 循环神经网络 (RNN) 擅长识别时间序列数据中的复杂模式.
- 然而,RNN有可能把噪音误认为是真正的变化点 (CP).
- 量化检测到的CP的统计可靠性对于可靠的分析至关重要.
研究的目的:
- 开发一种方法来统计验证由循环神经网络 (RNN) 检测到的变化点 (CP).
- 严格控制虚假阳性CP的风险.
- 为RNN识别的CP提供理论上合理的p值.
主要方法:
- 基于选择性推理 (SI) 框架的新方法的实施.
- 将SI框架应用于基于RNN的变化点检测.
- 解决了技术上的挑战,即描述RNN的CP选择过程.
主要成果:
- 使用人工数据证明了拟议方法的有效性.
- 通过真实世界的数据实验验验证了方法的有效性.
- 成功地为检测到的CP提供了统计可靠的p值.
结论:
- 拟议的选择性推断 (SI) 方法有效量化了RNN检测到的变化点 (CP) 的统计可靠性.
- 这种方法减轻了复杂时间序列中错误检测的风险.
- 该方法提供了一种理论上可靠的方式来验证机器学习模型识别的CP.
