背景与关键定义
-
变点检测问题
变点检测的目标是在给定的观测序列 y 1 , y 2 , … , y T y_1, y_2, \dots, y_T y1,y2,…,yT 中，找到一个或多个点（变点），使得每段子序列（即变点划分的区间）能被一个较简单的模型（比如常数均值模型）很好地拟合。 -
代价函数 C \mathcal{C} C
C \mathcal{C} C 表示给定一段子序列（如 y ( t + 1 ) : s y_{(t+1):s} y(t+1):s）的拟合代价（cost）。代价越小，说明这段序列被拟合得越好。 -
引入变点的目标
通常我们希望通过引入变点，使得划分后的子序列总代价减少。公式 (2) 的假设反映了这一点：
C ( y ( t + 1 ) : s ) + C ( y ( s + 1 ) : T ) + K ≤ C ( y ( t + 1 ) : T ) , \mathcal{C}\left(y_{(t+1): s}\right)+\mathcal{C}\left(y_{(s+1): T}\right)+K \leq \mathcal{C}\left(y_{(t+1): T}\right), C(y(t+1):s)+C(y(s+1):T)+K≤C(y(t+1):T),
表示将序列 y ( t + 1 ) : T y_{(t+1): T} y(t+1):T 划分成两段（用变点 s s s 分开）后，总代价会减少。 -
动态规划框架
动态规划求解变点检测问题时，我们递归计算：
F ( T ) = min τ { F ( τ ) + C ( y ( τ + 1 ) : T ) + β } , F(T) = \min_{\tau} \{ F(\tau) + \mathcal{C}(y_{(\tau+1):T}) + \beta \}, F(T)=τmin{F(τ)+C(y(τ+1):T)+β},
其中：- F ( τ ) F(\tau) F(τ)：序列 y 1 : τ y_{1:\tau} y1:τ 的最优划分代价。
- β \beta β：引入一个变点的固定代价（penalty）。
- τ \tau τ：候选的上一个变点。
因为枚举所有可能的 τ \tau τ 代价很高，我们希望通过数学分析提前剔除一些不可能成为最优解的候选变点。
定理 3.1 的主要内容
目标：如果某个点 t t t 不可能成为未来某个时间点 T > s T>s T>s 的最优变点，我们希望尽早把它剔除，从而减少动态规划的计算量。
定理的核心思想：如果
t
t
t 满足：
F
(
t
)
+
C
(
y
(
t
+
1
)
:
s
)
+
K
≥
F
(
s
)
,
F(t) + \mathcal{C}\left(y_{(t+1):s}\right) + K \geq F(s),
F(t)+C(y(t+1):s)+K≥F(s),
那么对于所有未来的
T
>
s
T > s
T>s，
t
t
t 不可能是最优变点。
直观解释：
- 变点 t t t 的分段代价（加上 K K K）已经超过从 s s s 开始分段的代价 F ( s ) F(s) F(s)。
- 这说明从 t t t 开始分段的效果不如从 s s s 开始分段，因此 t t t 永远不会成为未来的最优选择。
证明的关键步骤
-
假设 (3) 成立：
F ( t ) + C ( y ( t + 1 ) : s ) + K ≥ F ( s ) . F(t) + \mathcal{C}\left(y_{(t+1):s}\right) + K \geq F(s). F(t)+C(y(t+1):s)+K≥F(s).
我们在 t t t 和 s s s 两种可能分段中，发现 t t t 比 s s s 的代价更大。 -
添加未来段的代价：
考虑 T > s T>s T>s，加入 C ( y ( s + 1 ) : T ) \mathcal{C}(y_{(s+1):T}) C(y(s+1):T)：
F ( t ) + C ( y ( t + 1 ) : s ) + K + C ( y ( s + 1 ) : T ) ≥ F ( s ) + C ( y ( s + 1 ) : T ) . F(t) + \mathcal{C}\left(y_{(t+1):s}\right) + K + \mathcal{C}\left(y_{(s+1):T}\right) \geq F(s) + \mathcal{C}\left(y_{(s+1):T}\right). F(t)+C(y(t+1):s)+K+C(y(s+1):T)≥F(s)+C(y(s+1):T).
这说明即使考虑未来序列，选择 t t t 作为变点的代价依然不如选择 s s s 的代价。 -
结合动态规划公式：
根据动态规划的递归公式：
S T = { F ( τ ) + C ( y ( τ + 1 ) : T ) + β , τ = 0 , 1 , … , T − 1 } . S_T = \{F(\tau) + \mathcal{C}(y_{(\tau+1):T}) + \beta, \tau = 0, 1, \dots, T-1\}. ST={F(τ)+C(y(τ+1):T)+β,τ=0,1,…,T−1}.
t t t 的值不会比 s s s 小，因此 t t t 永远不会成为集合 S T S_T ST 的最优解。 -
结论：
t t t 可以从候选集合中剔除。
定理的重要意义
-
加速动态规划
在变点检测的动态规划算法中，通过剔除不可能的候选变点，可以减少计算量，显著加快算法。 -
数学条件的合理性
定理基于变点的代价函数 C \mathcal{C} C 满足一定的“单调性”假设，这在实际问题中是常见的。 -
适用范围广
这种剔除策略不仅限于特定代价函数或数据集，具有通用性。
总结
- 定理 3.1 提供了一个数学工具，用于在变点检测问题中高效筛选候选变点。
- 证明利用了动态规划的递归公式，结合代价函数的性质，展示了某些变点在特定条件下无法成为最优解。
- 实际应用中，这一结果能显著优化计算效率，尤其是当数据规模较大时。
我们详细推导定理 3.1 的证明。目标是从假设 F ( t ) + C ( y ( t + 1 ) : s ) + K ≥ F ( s ) F(t) + \mathcal{C}(y_{(t+1):s}) + K \geq F(s) F(t)+C(y(t+1):s)+K≥F(s) 出发，证明 t t t 无法成为未来时间 T > s T > s T>s 的最优变点。
前置公式和假设
-
动态规划的核心公式是：
F ( T ) = min τ = 0 , 1 , … , T − 1 { F ( τ ) + C ( y ( τ + 1 ) : T ) + β } , F(T) = \min_{\tau=0,1,\ldots,T-1} \{ F(\tau) + \mathcal{C}(y_{(\tau+1):T}) + \beta \}, F(T)=τ=0,1,…,T−1min{F(τ)+C(y(τ+1):T)+β},
其中：- F ( T ) F(T) F(T)：从起点到时间 T T T 的最优代价。
- C ( y ( τ + 1 ) : T ) \mathcal{C}(y_{(\tau+1):T}) C(y(τ+1):T)：从 τ + 1 \tau+1 τ+1 到 T T T 的拟合代价。
- β \beta β：添加一个变点的固定代价。
- τ \tau τ：候选变点。
-
假设 (3) 是：
F ( t ) + C ( y ( t + 1 ) : s ) + K ≥ F ( s ) , F(t) + \mathcal{C}(y_{(t+1):s}) + K \geq F(s), F(t)+C(y(t+1):s)+K≥F(s),
表示在时间 s s s，从 t t t 到 s s s 的分段代价（加上 K K K）不小于从 s s s 开始分段的代价 F ( s ) F(s) F(s)。 -
从 (2) 可知，引入变点的代价函数是非增的，即：
C ( y ( t + 1 ) : s ) + C ( y ( s + 1 ) : T ) + K ≤ C ( y ( t + 1 ) : T ) . \mathcal{C}(y_{(t+1):s}) + \mathcal{C}(y_{(s+1):T}) + K \leq \mathcal{C}(y_{(t+1):T}). C(y(t+1):s)+C(y(s+1):T)+K≤C(y(t+1):T).
证明步骤
第一步：结合假设 (3) 和未来代价
我们希望证明 t t t 无法成为未来时间 T > s T>s T>s 的最优变点。
-
从假设 (3) 出发，加入固定的惩罚项 β \beta β：
F ( t ) + C ( y ( t + 1 ) : s ) + K + β ≥ F ( s ) + β . F(t) + \mathcal{C}(y_{(t+1):s}) + K + \beta \geq F(s) + \beta. F(t)+C(y(t+1):s)+K+β≥F(s)+β.
这表示在时间 s s s，以 t t t 为变点的代价高于以 s s s 为变点的代价。 -
考虑 T > s T > s T>s，加入从 s + 1 s+1 s+1 到 T T T 的代价 C ( y ( s + 1 ) : T ) \mathcal{C}(y_{(s+1):T}) C(y(s+1):T)：
F ( t ) + C ( y ( t + 1 ) : s ) + K + β + C ( y ( s + 1 ) : T ) ≥ F ( s ) + β + C ( y ( s + 1 ) : T ) . F(t) + \mathcal{C}(y_{(t+1):s}) + K + \beta + \mathcal{C}(y_{(s+1):T}) \\ \geq F(s) + \beta + \mathcal{C}(y_{(s+1):T}). F(t)+C(y(t+1):s)+K+β+C(y(s+1):T)≥F(s)+β+C(y(s+1):T).
这是因为两边都添加了同样的项 C ( y ( s + 1 ) : T ) \mathcal{C}(y_{(s+1):T}) C(y(s+1):T)。
第二步：利用代价的可加性
我们使用代价函数的可加性性质（公式 (2)）：
C
(
y
(
t
+
1
)
:
s
)
+
C
(
y
(
s
+
1
)
:
T
)
+
K
≤
C
(
y
(
t
+
1
)
:
T
)
.
\mathcal{C}(y_{(t+1):s}) + \mathcal{C}(y_{(s+1):T}) + K \leq \mathcal{C}(y_{(t+1):T}).
C(y(t+1):s)+C(y(s+1):T)+K≤C(y(t+1):T).
将其代入左边的不等式：
F
(
t
)
+
C
(
y
(
t
+
1
)
:
T
)
+
β
≥
F
(
s
)
+
β
+
C
(
y
(
s
+
1
)
:
T
)
.
F(t) + \mathcal{C}(y_{(t+1):T}) + \beta \geq F(s) + \beta + \mathcal{C}(y_{(s+1):T}).
F(t)+C(y(t+1):T)+β≥F(s)+β+C(y(s+1):T).
这表示，加入从 t t t 到 T T T 的代价后，总代价依然大于从 s s s 到 T T T 的代价。
第三步：动态规划公式中的推论
根据动态规划公式：
S
T
=
{
F
(
τ
)
+
C
(
y
(
τ
+
1
)
:
T
)
+
β
,
τ
=
0
,
1
,
…
,
T
−
1
}
.
S_T = \{F(\tau) + \mathcal{C}(y_{(\tau+1):T}) + \beta, \tau = 0, 1, \ldots, T-1\}.
ST={F(τ)+C(y(τ+1):T)+β,τ=0,1,…,T−1}.
- t t t 对应的代价是 F ( t ) + C ( y ( t + 1 ) : T ) + β F(t) + \mathcal{C}(y_{(t+1):T}) + \beta F(t)+C(y(t+1):T)+β。
- s s s 对应的代价是 F ( s ) + C ( y ( s + 1 ) : T ) + β F(s) + \mathcal{C}(y_{(s+1):T}) + \beta F(s)+C(y(s+1):T)+β。
由前面的推导可知：
F
(
t
)
+
C
(
y
(
t
+
1
)
:
T
)
+
β
≥
F
(
s
)
+
C
(
y
(
s
+
1
)
:
T
)
+
β
.
F(t) + \mathcal{C}(y_{(t+1):T}) + \beta \geq F(s) + \mathcal{C}(y_{(s+1):T}) + \beta.
F(t)+C(y(t+1):T)+β≥F(s)+C(y(s+1):T)+β.
因此，
t
t
t 对应的代价比
s
s
s 大，
t
t
t 不可能是
S
T
S_T
ST 的最优解。
第四步：剔除 t t t
因为 t t t 的代价在所有 T > s T > s T>s 的情况下都比 s s s 大，因此 t t t 不可能成为未来任何时间点的最优变点。
结论是：
- 在动态规划中， t t t 可以从候选集合中剔除。
- 这减少了后续计算的复杂度。
关键逻辑总结
- 假设 F ( t ) + C ( y ( t + 1 ) : s ) + K ≥ F ( s ) F(t) + \mathcal{C}(y_{(t+1):s}) + K \geq F(s) F(t)+C(y(t+1):s)+K≥F(s) 表示 t t t 的代价在 s s s 处已经不如 s s s。
- 使用代价函数的可加性，将 t t t 的代价扩展到未来时间 T > s T > s T>s。
- 结合动态规划公式，说明 t t t 在所有未来时间 T > s T > s T>s 的代价都不如 s s s。
- 结论是 t t t 无法成为未来的最优变点，动态规划时可以剔除 t t t。
扫一扫
106
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
