Détection bayésienne en ligne de points de changement

Les points de rupture sont des variations brusques dans les paramètres génératifs d'une séquence de données. La détection en ligne de ces points de rupture est utile pour la modélisation et la prédiction des séries temporelles dans des domaines d'application tels que la finance, la biométrie et la robotique. Bien que les méthodes fréquentistes aient permis le développement de techniques de filtrage et de prédiction en ligne, la plupart des travaux bayésiens se sont concentrés sur le problème de segmentation rétrospective. Dans cet article, nous examinons le cas où les paramètres du modèle avant et après le point de rupture sont indépendants, et nous dérivons un algorithme en ligne pour l'inférence exacte du point de rupture le plus récent. Nous calculons la distribution de probabilité de la durée du « run » actuel, ou temps écoulé depuis le dernier point de rupture, à l'aide d'un algorithme simple de passage de messages. Notre implémentation est hautement modulaire afin que l'algorithme puisse être appliqué à divers types de données. Nous illustrons cette modularité en montrant l'application de l'algorithme sur trois jeux de données réelles différents.