Détection de points de changement en présence d'outliers

De nombreuses méthodes traditionnelles pour identifier les points de changement peuvent rencontrer des difficultés en présence d'outliers ou lorsque le bruit est à queue lourde. Souvent, elles infèrent des points de changement supplémentaires pour s'adapter aux outliers. Pour surmonter ce problème, il est souvent nécessaire de prétraiter les données pour éliminer les outliers, bien que cela soit difficile pour les applications où les données doivent être analysées en ligne. Nous présentons une approche de détection de points de changement qui est robuste à la présence d'outliers. L'idée est d'adapter les approches de coût pénalisé existantes pour détecter les changements afin qu'elles utilisent des fonctions de perte moins sensibles aux outliers. Nous soutenons que les fonctions de perte qui sont bornées, telles que la perte biweight classique, sont particulièrement adaptées, car nous montrons que seules les fonctions de perte bornées sont robustes aux outliers extrêmes arbitraires. Nous présentons un algorithme dynamique efficace qui peut trouver la segmentation optimale selon nos critères de coût pénalisé. Il est important de noter que cet algorithme peut être utilisé dans des contextes où les données doivent être analysées en ligne. Nous montrons que nous pouvons estimer de manière cohérente le nombre de points de changement et estimer avec précision leurs emplacements, en utilisant la fonction de perte biweight. Nous démontrons l'utilité de notre approche pour des applications telles que l'analyse des données de puits, la détection de variations du nombre de copies et la détection de falsifications de dispositifs sans fil. Des matériaux supplémentaires pour cet article sont disponibles en ligne.