# 変化点検知 ## 定義 変化点検知(change point detection)は、時系列の**統計的性質の変化(シフト)**が起こる時点を特定するタスク。異常な「データ点」を特定する anomaly detection とは区別され、変化点検知は性質の変化そのものを捉える。([[2024__IEEE Access__MetricSifter - Feature Reduction of Multivariate Time Series Data for Efficient Fault Localization in Cloud Applications]]) offline 手法は cost function(変化の型に対応)・search method・constraint(変化点数の制約、未知なら複雑さへの penalty 項)の 3 要素の組み合わせで表現される。mean shift model を cost、Pelt(Pruned Exact Linear Time)を search に使うと計算量を線形近くに抑えられる。 ## 横断的知見 - (2 ソース目以降で、時系列基盤モデルの予測・異常検知と変化点検知の関係などを突き合わせて追記する。) ## 未解決の問い - 変化点検知は normal time window の事前指定を不要にする点で anomaly detection ベースの normality reduction より優れる([[MetricSifter]] §III-A)が、変化度合いの小さい root fault metrics(満杯近いリソース等)を取りこぼす。微小変化に頑健な変化点検知は可能か。 - [[時系列基盤モデル]](TSFM)は zero-shot で予測・異常検知を行うが、変化点検知タスクに TSFM を使うと、Pelt のような古典手法より fault 起因変化点を正確に捉えられるか。 - penalty weight $\omega$ は anomaly type に敏感([[MetricSifter]] Fig. 9)。fault の型に依らず安定して変化点を検知する penalty 設計はあるか。 ## 関連 - ソース: [[2024__IEEE Access__MetricSifter - Feature Reduction of Multivariate Time Series Data for Efficient Fault Localization in Cloud Applications]] - 概念: [[特徴量削減]] / [[Fault Localization]] / [[時系列基盤モデル]] / [[多変量時系列予測]] - エンティティ: [[MetricSifter]] - 関連 MOC: [[異常検知 - MOC]] / [[時系列基盤モデル - MOC]] ## 出典 - [[2024__IEEE Access__MetricSifter - Feature Reduction of Multivariate Time Series Data for Efficient Fault Localization in Cloud Applications]](§III-A, §III-C, Algorithm 1)