Обнаружение изменений
Статистический анализ
График годового объема реки Нил в Асуане в зависимости от времени, пример данных временного ряда, обычно используемых для обнаружения изменений.
Годовой объем реки Нил в Асуане , пример данных временного ряда, обычно используемых для обнаружения изменений. Пунктирная линия обозначает обнаруженную точку изменения, когда в 1902 году была построена Старая Асуанская плотина. [1]

В статистическом анализе обнаружение изменений или обнаружение точек изменений пытается определить время, когда распределение вероятностей стохастического процесса или временного ряда изменяется. В целом проблема касается как обнаружения того, произошло ли изменение или нет, или могло произойти несколько изменений, так и определения времени любых таких изменений.

Конкретные приложения, такие как обнаружение шагов и обнаружение краев , могут быть связаны с изменениями в среднем значении , дисперсии , корреляции или спектральной плотности процесса. В более общем смысле обнаружение изменений также включает обнаружение аномального поведения: обнаружение аномалий .

При офлайн- обнаружении точек изменения предполагается, что доступна последовательность длины, и цель состоит в том, чтобы определить, произошли ли какие-либо точки изменения в серии. Это пример постфактум-анализа , и к нему часто подходят с использованием методов проверки гипотез . Напротив, онлайн- обнаружение точек изменения связано с обнаружением точек изменения во входящем потоке данных. T {\displaystyle T}

Фон

Временной ряд измеряет прогрессию одной или нескольких величин с течением времени. Например, на рисунке выше показан уровень воды в реке Нил между 1870 и 1970 годами. Обнаружение точек изменения связано с определением того, значительно ли меняется поведение ряда, и если да, то когда . В примере с рекой Нил объем воды значительно меняется после того, как на реке была построена плотина. Важно отметить, что аномальные наблюдения, которые отличаются от текущего поведения временного ряда, обычно не считаются точками изменения, пока ряд возвращается к своему предыдущему поведению впоследствии.

Математически мы можем описать временной ряд как упорядоченную последовательность наблюдений . Мы можем записать совместное распределение подмножества временного ряда как . Если цель состоит в том, чтобы определить, произошла ли точка изменения в момент времени в конечном временном ряду длины , то мы действительно спрашиваем, равно ли . Эту задачу можно обобщить на случай более чем одной точки изменения. ( x 1 , x 2 , … ) {\displaystyle (x_{1},x_{2},\ldots )} x a : b = ( x a , x a + 1 , … , x b ) {\displaystyle x_{a:b}=(x_{a},x_{a+1},\ldots ,x_{b})} p ( x a : b ) {\displaystyle p(x_{a:b})} τ {\displaystyle \tau } T {\displaystyle T} p ( x 1 : τ ) {\displaystyle p(x_{1:\tau })} p ( x τ + 1 : T ) {\displaystyle p(x_{\tau +1:T})}

Алгоритмы

Онлайн-обнаружение изменений

При использовании подхода последовательного анализа («онлайн») любое тестирование изменений должно предусматривать компромисс между следующими общими метриками:

В байесовской задаче обнаружения изменений доступно априорное распределение для времени изменения.

Обнаружение изменений в режиме онлайн также осуществляется с использованием потоковых алгоритмов .

Обнаружение изменений в автономном режиме

Basseville (1993, Раздел 2.6) обсуждает офлайн -обнаружение изменения среднего с проверкой гипотез на основе работ Page [2] и Picard [3] и оценку максимального правдоподобия времени изменения, связанную с двухфазной регрессией . Другие подходы используют кластеризацию на основе оценки максимального правдоподобия , [ требуется ссылка ] , используют оптимизацию для вывода количества и времени изменений, [4] с помощью спектрального анализа, [5] или анализа сингулярного спектра. [6]

Обнаружение точек изменения в данных о течении реки Нил с использованием байесовского метода [7]

Статистически говоря, обнаружение изменений часто рассматривается как проблема выбора модели. [8] [9] [10] Модели с большим количеством точек изменения лучше соответствуют данным, но с большим количеством параметров. Лучший компромисс может быть найден путем оптимизации критерия выбора модели, такого как критерий информации Акаике и критерий информации Байеса . Также использовался байесовский выбор модели. Байесовские методы часто количественно определяют неопределенности всех видов и отвечают на вопросы, которые трудно решить классическими методами, например, какова вероятность наличия изменения в заданное время и какова вероятность того, что данные имеют определенное количество точек изменения. [8]

«Офлайн» подходы не могут использоваться для потоковых данных, поскольку они требуют сравнения со статистикой полного временного ряда и не могут реагировать на изменения в реальном времени, но часто обеспечивают более точную оценку времени и величины изменения.

Приложения

Тесты на обнаружение изменений часто используются в производстве для контроля качества , обнаружения вторжений , фильтрации спама , отслеживания веб-сайтов и медицинской диагностики.

Обнаружение языковых изменений

Обнаружение лингвистических изменений относится к способности обнаруживать изменения на уровне слов в нескольких представлениях одного и того же предложения. Исследователи обнаружили, что степень семантического совпадения (т. е. родственности) между измененным словом и новым словом влияет на легкость, с которой такое обнаружение осуществляется (Sturt, Sanford, Stewart, & Dawydiak, 2004). Дополнительные исследования показали, что сосредоточение внимания на слове, которое будет изменено во время первоначального прочтения исходного предложения, может улучшить обнаружение. Это было показано с использованием курсивного текста для привлечения внимания, при котором слово, которое будет изменено, выделяется курсивом в исходном предложении (Sanford, Sanford, Molle, & Emmott, 2006), а также с использованием расщепляющих конструкций, таких как « It was the tree that needed water» (Kennette, Wurm, & Van Havermaet, 2010). Эти явления обнаружения изменений кажутся устойчивыми, даже происходящими кросс-лингвистически, когда двуязычные читают исходное предложение на своем родном языке и измененное предложение на своем втором языке (Kennette, Wurm & Van Havermaet, 2010). Недавно исследователи обнаружили изменения на уровне слов в семантике с течением времени путем вычислительного анализа временных корпусов (например, слово «гей» приобрело новое значение с течением времени ) с использованием обнаружения точек изменения. [11] Это также применимо к чтению не-слов, таких как музыка. Несмотря на то, что музыка не является языком, она все равно пишется, и люди понимают ее значение, которое включает восприятие и внимание, что позволяет обнаружить изменения. [12]

Визуальное обнаружение изменений

Визуальное обнаружение изменений — это способность человека обнаруживать различия между двумя или более изображениями или сценами. [13] Это необходимо во многих повседневных задачах. Одним из примеров является обнаружение изменений на дороге для безопасного и успешного вождения. Обнаружение изменений имеет решающее значение при управлении автотранспортными средствами для обнаружения других транспортных средств, сигналов регулирования дорожного движения, пешеходов и многого другого. [14] Другим примером использования визуального обнаружения изменений является распознавание лиц. При обнаружении своей внешности обнаружение изменений имеет жизненно важное значение, поскольку лица «динамичны» и могут меняться из-за различных факторов, таких как «условия освещения, выражения лица, старение и окклюзия». [15] Алгоритмы обнаружения изменений используют различные методы, такие как «отслеживание черт, выравнивание и нормализация», чтобы захватывать и сравнивать различные черты лица и шаблоны у разных людей, чтобы правильно идентифицировать людей. [15] Визуальное обнаружение изменений включает в себя интеграцию «входных сигналов нескольких датчиков, когнитивных процессов и механизмов внимания», часто фокусируясь на нескольких стимулах одновременно. [16] Мозг обрабатывает визуальную информацию от глаз, сравнивает ее с предыдущими знаниями, хранящимися в памяти, и определяет различия между двумя стимулами. Этот процесс происходит быстро и бессознательно, позволяя людям реагировать на изменяющуюся среду и вносить необходимые коррективы в свое поведение. [17]

Обнаружение когнитивных изменений

Было проведено несколько исследований для анализа когнитивных функций обнаружения изменений. При когнитивном обнаружении изменений исследователи обнаружили, что большинство людей переоценивают свое обнаружение изменений, когда на самом деле они более подвержены слепоте к изменениям, чем они думают. [18] Когнитивное обнаружение изменений имеет много сложностей, основанных на внешних факторах, и сенсорные пути играют ключевую роль в определении успеха в обнаружении изменений. Одно исследование предполагает и доказывает, что мультисенсорная сеть путей, которая состоит из трех сенсорных путей, значительно повышает эффективность обнаружения изменений. [19] Сенсорный путь один объединяет стимулы вместе, сенсорный путь два включает использование стратегии средней конкатенации для изучения измененного поведения, а сенсорный путь три включает использование стратегии средней разницы для изучения измененного поведения. [19] При совместной работе всех трех из них обнаружение изменений имеет значительно более высокий уровень успеха. [19] Ранее считалось, что задняя теменная кора (ЗТК) играет роль в улучшении обнаружения изменений из-за ее фокусировки на «сенсорной и связанной с задачей активности». [20] Однако исследования также опровергли, что PPC необходим для обнаружения изменений; хотя они имеют высокую функциональную корреляцию друг с другом, механистическое участие PPC в обнаружении изменений незначительно. [20] Более того, нисходящая обработка играет важную роль в обнаружении изменений, поскольку она позволяет людям прибегать к фоновым знаниям, которые затем влияют на восприятие, что также распространено у детей. Исследователи провели продольное исследование, охватывающее развитие детей и обнаружение изменений на протяжении младенчества и до взрослой жизни. [21] В этом исследовании было обнаружено, что обнаружение изменений сильнее у маленьких младенцев по сравнению с детьми старшего возраста, причем нисходящая обработка является основным фактором этого результата. [21]

Смотрите также

Ссылки

  1. ^ Ван ден Бург, Геррит Дж. Дж.; Уильямс, Кристофер КИ (26 мая 2020 г.). «Оценка алгоритмов обнаружения точек изменения». arXiv : 2003.06222 [stat.ML].
  2. ↑ Page, ES (июнь 1957 г.). «О задачах, в которых изменение параметра происходит в неизвестной точке». Biometrika . 44 (1/2): 248– 252. doi :10.1093/biomet/44.1-2.248. JSTOR  2333258.
  3. ^ Пикар, Доминик (1985). «Тестирование и оценка точек изменения во временных рядах». Advances in Applied Probability . 17 (4): 841– ​​867. doi :10.2307/1427090. JSTOR  1427090. S2CID  123026208.
  4. ^ Яо, И-Чин (1988-02-01). «Оценка числа точек изменения с помощью критерия Шварца». Statistics & Probability Letters . 6 (3): 181– 189. doi :10.1016/0167-7152(88)90118-6. ISSN  0167-7152.
  5. ^ Ghaderpour, E.; Vujadinovic, T. (2020). «Обнаружение изменений во временных рядах спутниковых изображений, полученных дистанционно, с помощью спектрального анализа». Remote Sensing . 12 (23): 4001. Bibcode :2020RemS...12.4001G. doi : 10.3390/rs12234001 . hdl : 11573/1655315 .
  6. ^ Аланкари, Арва (2021). «Обнаружение точки изменения с помощью многомерного сингулярного спектрального анализа». Достижения в области нейронных систем обработки информации . 34 : 23218– 30. ISBN 978-1-7138-4539-3.
  7. ^ Ли, Ян; Чжао, Кайгуан; Ху, Тонгси; Чжан, Сюэсун. «BEAST: байесовский ансамблевый алгоритм для обнаружения точек изменения и разложения временных рядов». GitHub .
  8. ^ ab Zhao, Kaiguang; Wulder, Michael A; Hu, Tongx; Bright, Ryan; Wu, Qiusheng; Qin, Haiming; Li, Yang (2019). «Обнаружение точек изменения, тренда и сезонности в данных спутниковых временных рядов для отслеживания резких изменений и нелинейной динамики: алгоритм байесовского ансамбля». Дистанционное зондирование окружающей среды . 232 : 111181. Bibcode : 2019RSEnv.23211181Z. doi : 10.1016/j.rse.2019.04.034 . hdl : 11250/2651134 . S2CID  201310998.
  9. ^ Чен, Цзе; Гупта, Арджун К (2001). «Об обнаружении и оценке точек изменения». Communications in Statistics - Simulation and Computation . 30 (3): 665– 697. doi :10.1081/SAC-100105085. S2CID  121138768.
  10. ^ Ёсиюки, Ниномия (2015). «Выбор модели точки изменения с помощью AIC». Анналы Института статистической математики . 67 (5): 943– 961. doi :10.1007/s10463-014-0481-x. S2CID  254234584.
  11. ^ Кулкарни Вивек; Рфу Рами; Пероцци Брайан; Скиена Стивен (2015). «Статистически значимое обнаружение языковых изменений». Труды 24-й Международной конференции по всемирной паутине . С.  625–635 . arXiv : 1411.3315 . doi : 10.1145/2736277.2741627. ISBN 9781450334693. S2CID  9298083.
  12. ^ Кляйнсмит, Эбигейл Л. (2023). «Влияние экспертизы на визуальное обнаружение изменений в области чтения музыки: доказательства из движений глаз». В Dissertation Abstracts International: Раздел B: Науки и инженерия (т. 84, выпуск 3–B) .
  13. ^ Рэми, Мишель М.; Хендерсон, Джон М.; Йонелинас, Эндрю П. (декабрь 2022 г.). «Движения глаз диссоциируют между восприятием, ощущением и бессознательным обнаружением изменений в сценах». Psychonomic Bulletin & Review . 29 (6): 2122– 2132. doi : 10.3758/s13423-022-02122-z . ISSN  1069-9384. PMC 11110961. PMID 35653039.  S2CID 249276616  . 
  14. ^ Моргенштерн, Тина; Троммлер, Даниэль; Науйокс, Фредерик; Карл, Инес; Кремс, Йозеф Ф.; Кейнат, Андреас (февраль 2023 г.). «Сравнение чувствительности задачи с ящиком в сочетании с задачей на обнаружение реакции с тестом на смену полосы движения». Исследования транспорта, часть F: Психология дорожного движения и поведение . 93 : 159–171 . Bibcode : 2023TRPF...93..159M. doi : 10.1016/j.trf.2023.01.004. S2CID  256050914.
  15. ^ Аб Вентура, Пауло; Геррейро, Хосе Карлос; Перейра, Александр; Дельгадо, Жуан; Росарио, Вивьен; Фаринья-Фернандеш, Антониу; Домингес, Мигель; Круз, Франциско; Фаустино, Бруно; Вонг, Алан К.-Н. (апрель 2022 г.). «Обнаружение изменений и локализация изменений для лиц своей и другой расы». Внимание, восприятие и психофизика . 84 (3): 627–637 . doi : 10.3758/s13414-022-02448-9 . ISSN  1943-3921. PMID  35174465. S2CID  246904080.
  16. ^ Хе, Чуаньсююэ; Ратбан, Зои; Буонауро, Дэниел; Мейерхофф, Хауке С.; Франконери, Стивен Л.; Стифф, Майк; Хегарти, Мэри (август 2022 г.). «Симметрия и пространственная способность улучшают обнаружение изменений в визуально-пространственных структурах». Память и познание . 50 (6): 1186– 1200. doi :10.3758/s13421-022-01332-z. ISSN  0090-502X. PMC 9365739. PMID 35705852  . 
  17. ^ Уильямс, Джамал Р.; Робинсон, Мария М.; Щургин, Марк У.; Викстед, Джон Т.; Брэди, Тимоти Ф. (декабрь 2022 г.). «Вы не можете «подсчитать», сколько элементов люди помнят в визуальной рабочей памяти: важность мер, основанных на обнаружении сигналов, для понимания эффективности обнаружения изменений». Журнал экспериментальной психологии: восприятие и производительность человека . 48 (12): 1390–1409 . doi : 10.1037/xhp0001055. ISSN  1939-1277. PMC 10257385. PMID 36222675  . 
  18. ^ Барнас, Адам Дж.; Уорд, Эмили Дж. (октябрь 2022 г.). «Метакогнитивные суждения об обнаружении изменений предсказывают слепоту к изменениям». Cognition . 227 : 105208. doi : 10.1016/j.cognition.2022.105208 . PMID  35792349. S2CID  239626887.
  19. ^ abc Лю, Кан; Ли, Сюэлун (июль 2022 г.). «Био-вдохновленная мультисенсорная сеть путей для обнаружения изменений». Cognitive Computation . 14 (4): 1421– 1434. doi :10.1007/s12559-021-09968-w. ISSN  1866-9956. S2CID  247283289.
  20. ^ ab Oude Lohuis, Маттейс Н.; Маркези, Пьетро; Пеннарц, Сириэль М.А.; Ольчезе, Умберто (29 июня 2022 г.). «Функциональная (ир) значимость задней теменной коры при обнаружении аудиовизуальных изменений». Журнал неврологии . 42 (26): 5229–5245 . doi :10.1523/JNEUROSCI.2150-21.2022. ISSN  0270-6474. ПМЦ 9236290 . ПМИД  35641187. 
  21. ^ ab Deguire, Florence; López-Arango, Gabriela; Knoth, Inga Sophia; Côté, Valérie; Agbogba, Kristian; Lippé, Sarah (21.11.2022). «Курс развития эффекта повторения и реакции обнаружения изменений от младенчества до детства: продольное исследование». Cerebral Cortex . 32 (23): 5467– 5477. doi :10.1093/cercor/bhac027. ISSN  1047-3211. PMC 9712715 . PMID  35149872. 

Дальнейшее чтение

Retrieved from "https://en.wikipedia.org/w/index.php?title=Change_detection&oldid=1259537307"