hildensia/bayesian_changepoint_detection

解决的问题

该库提供了一种通过贝叶斯推断检测时序数据中"变化点"（即底层统计特性突然变化）的方法。它允许用户识别数据流行为何时发生变化，无论是实时（在线）还是在数据收集后（离线）。

工作原理

该项目实现了基于"运行长度"（自上次变化以来的时间）概念的贝叶斯变化点检测算法。它根据观测数据计算这些运行长度的概率分布。使用危险函数定义变化发生的先验概率，并使用似然模型（如学生t分布）来判断数据与当前段的拟合程度。

适用人群

专为需要高性能贝叶斯变化点检测实现的单变量或多元时序数据研究人员和数据科学家设计。

主要亮点

• PyTorch 后端：使用 PyTorch 实现自动微分和向量化操作。
• GPU 加速：支持 CUDA 和 Apple Silicon（MPS），在大规模数据集上实现 10-100 倍加速。
• 在线与离线模式：同时支持流式数据的顺序检测和历史数据的批量处理。
• 灵活的分布：支持单变量和多变量的学生t分布。
• 可自定义先验：提供常数、几何和负二项先验分布。