With the increasing complexity of the production process, the diversity of data types contributes to the urgency of developing the network monitoring technology. This paper mainly focuses on an online algorithm to detect the serially correlated directed network robustly and sensitively. Firstly, a transition probability matrix is considered here to overcome the double correlation of primary data. Furthermore, since the sum of each row of the transition probability matrix is one, it also standardizes data that facilitates subsequent modeling. Then we extend the spring-length-based method to the multivariate case and propose an adaptive cumulative sum (CUSUM) control chart on the strength of a weighted statistic to monitor directed networks. The novel approach only assumes that the process observation is associated with nearby points without any parametric time series models, which should be coincided with the fact. Simulation results and a real example of metro transportation demonstrate the superiority of our design.


翻译:随着生产过程的日益复杂,数据种类的多样性有助于发展网络监测技术的紧迫性,本文件主要侧重于一种在线算法,以强有力和敏感地探测与序列相关的定向网络。首先,此处考虑一个过渡概率矩阵,以克服初级数据的双重相关性。此外,由于过渡概率矩阵每行的总和是一,它也使便于随后进行建模的数据标准化。然后,我们将基于春季长的方法扩大到多变量案例,并提议根据加权统计的强度编制一个适应性累积总和(CUSUM)控制图表,以监测定向网络。新颖的方法只是假设过程观测与附近点相关,而没有任何参数时间序列模型,这些模型应与事实吻合。模拟结果和一个真正的地铁运输实例显示了我们设计的优势。

0
下载
关闭预览

相关内容

[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
ECCV 2018 | CornerNet:目标检测算法新思路
极市平台
13+阅读 · 2018年8月11日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
3+阅读 · 2020年4月29日
Arxiv
5+阅读 · 2018年5月16日
VIP会员
相关VIP内容
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
相关资讯
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
ECCV 2018 | CornerNet:目标检测算法新思路
极市平台
13+阅读 · 2018年8月11日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员