NEWMA: A New Method for Scalable Model-Free Online Change-Point Detection

We consider the problem of detecting abrupt changes in the distribution of a multi-dimensional time series, with limited computing power and memory. In this paper, we propose a new, simple method for model-free online change-point detection that relies only on fast and light recursive statistics, in...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE transactions on signal processing Ročník 68; s. 3515 - 3528
Hlavní autoři:	Keriven, Nicolas, Garreau, Damien, Poli, Iacopo
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	New York IEEE 01.01.2020 The Institute of Electrical and Electronics Engineers, Inc. (IEEE) Institute of Electrical and Electronics Engineers
Témata:	Algorithms Brain modeling Change detection Change detection algorithms Computational modeling Hilbert space Kernel Machine Learning method of moments Microsoft Windows optical computing Radio frequency Signal processing algorithms Statistical methods Statistics Streaming media Radio frequency Microsoft Windows Computational modeling Signal processing algorithms Streaming media Brain modeling Kernel
ISSN:	1053-587X, 1941-0476
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!