A kernel multiple change-point algorithm via model selection

Sylvain Arlot 1, 2 Alain Celisse 3, 4 Zaid Harchaoui 5
2 SELECT - Model selection in statistical learning
Inria Saclay - Ile de France, LMO - Laboratoire de Mathématiques d'Orsay, CNRS - Centre National de la Recherche Scientifique : UMR
3 MODAL - MOdel for Data Analysis and Learning
Inria Lille - Nord Europe, LPP - Laboratoire Paul Painlevé - UMR 8524, CERIM - Santé publique : épidémiologie et qualité des soins-EA 2694, Polytech Lille, Université de Lille 1, IUT’A
Abstract : We tackle the change-point problem with data belonging to a general set. We build a penalty for choosing the number of change-points in the kernel-based method of Harchaoui and Cappé (2007). This penalty generalizes the one proposed by Lebarbier (2005) for one-dimensional signals. We prove a non-asymptotic oracle inequality for the proposed method, thanks to a new concentration result for some function of Hilbert-space valued random variables. Experiments on synthetic data illustrate the accuracy of our method, showing that it can detect changes in the whole distribution of data, even when the mean and variance are constant.
Liste complète des métadonnées

https://hal.archives-ouvertes.fr/hal-00671174
Contributeur : Sylvain Arlot <>
Soumis le : vendredi 18 mars 2016 - 16:10:33
Dernière modification le : samedi 18 février 2017 - 01:14:36
Document(s) archivé(s) le : lundi 20 juin 2016 - 01:23:46

Fichiers

kernelchpt_hal_v2.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00671174, version 2
  • ARXIV : 1202.3878

Citation

Sylvain Arlot, Alain Celisse, Zaid Harchaoui. A kernel multiple change-point algorithm via model selection. 2016. 〈hal-00671174v2〉

Partager

Métriques

Consultations de la notice

684

Téléchargements de fichiers

203