1/ Cruncher Spotlight #8 — ADIA Laboratuvarı Yapısal Kırma Yarışması Crunch'ta 100 bin dolarlık Yapısal Kırma Yarışmasında 8. olan Abhishek Gupta (Veri Bilimci @ TraceLink) ile tanışın. İşte yaklaşımının arkasındaki sezgi — ağır matematiğe gerek yok. 👇

2/ Birincisi: "Yapısal kırılma" nedir? Bir zaman serisinin davranışını sessizce değiştirdiği zamandır — örneğin piyasa rejimleri değişiyor, sensör kayıyor ya da sağlık sinyalinin dönmesi. Aynı grafik, altında farklı kurallar var.

3/ Molayı kaçırırsan: Tahminler kırılganlaşıyor Modeller kararsız hale gelir Kararlar dün gerçekliğine göre alınır Kırılması tespiti her yerde görünüyor: finans, iklim, sağlık hizmetleri, endüstriyel operasyonlar.

4/ Meydan okuma çerçevesi basitti: Size bir zaman serisi ve belirgin bir sınır noktası veriliyor. Soru: O noktadan önce ve sonrasında veriler aynı süreçten gelmiş gibi görünüyor mu... Yoksa değil mi?

5/ Abhishek'in temel hamlesi: her tür seriyi açıklamaya tek bir modeli zorlamayın. Veri seti farklı "kişiliklerlere" sahipti (pürüzsüz, gürültülü, patlayıcı, ağır kuyruklu, otokorelasyonlu). Bu yüzden zaman serilerini kümelere (türlere) grupladı, ardından her biri için özel bir dedektör kullandı.

6/ Birçok küme için en iyi "model" sadece tek bir güçlü puandı: Düşünün: "Dizi iki bölüm olarak ne kadar daha iyi uyum sağlar, bir sürekli bölüm değil?" Bu temelde olasılık oranı tarzı bir karşılaştırma, temiz ve oynanması zor.

7/ Diğer kümeler için, serinin nasıl değiştiğini yakalayan özelliklerde hafif ML (lojistik regresyon / ağaç toplulukları / gradyan artırma) kullandı: - ortalama/ölçek değişimleri - zıplamalar ve patlama - kuyruk davranışı - sınır yakınlarındaki dağılım farkları

8/ Kalibrasyona girin. Farklı kümeler için farklı dedektörler çalıştırdığınızda, puanları farklı ölçeklerde olabilir. Bu yüzden bunları küresel olarak hizalamak için bir kalibrasyon katmanı ekledi ve böylece genel sıralama performansını (AUC) iyileştirdi.

9/ Meta-ders çok Crunch: Sağlam performans genellikle net karşılaştırmalardan + çeşitli özelliklerden + stabil modellerden gelir, ağır ağırlıklı mimariden değil. Ayrıca: bunu hiperparametre ayarlaması olmadan yaptı.