時系列データからの潜在的構造変化検出

摘要

本稿では、時系列データからの変化検知の問題を考える。変化検知はデータの背後にある確率モデルが変化したときに、それを検出する問題である。それは、Novelty Detection（新規性検知）やAnomaly Detection （異常検知）といった価値ある知識の発見に結びつき、データマイニング分野でも重要な問題として捉えられている。特に、確率モデルが離散的な潜在構造（たとえば、潜在変数の数やクラスター構造など）をもち、その変化を捉えるための手法が近年、1つの潮流として発展している。本稿では、その1つの統一的なアプローチとして、動的モデル選択と呼ばれる情報理論的アプローチを紹介し、関連するアルゴリズムと合わせて、「潜在的構造変化検出」の理論的体系を示す。また、本アプローチをマーケテイングやソーシャルネットワーク、セキュリティ分野における知識発見に応用し，深い知識発見をもたらす例を示す。%We are concerned with the issue of detecting changes from time series. This is an issue of tracking how the probabilisitic model behind data changes over time. It is closely related to novelty detection and anomaly detection, which are important problems in the area of data mining. Specifically, we focus on the case where the discrete latent structures of probabilistic models may change and attempt to detect such changes. We introduce as one of promising approaches to the issue an information-theoretic one, which we call dynamic model selection. We also introduce a number of algorithms related to it and present a family of latent structure change detection algorithms with its theoretical backgrounds. We further show how to apply them to real problems including the areas of marketing analysis, SNS analysis, and security and demonstrate their effectiveness.