本文提出了一种基于非参数化惩罚最小二乘模型选择的算法来近似解决估计分段常量信号以检测其变化点和群集水平的新问题,并对其准确性进行了统计分析和实验验证。
Dec, 2019
本文提出了一种基于变点的高频数据统计方法,重点关注离散观察的 Itō半鞅序列的波动性,并构建最小化方法来区分连续的路径和包含波动性跳跃的路径,从而推断波动性的平滑性和变化。
Jan, 2015
本文利用生成潜在位置模型将变点检测问题定义为假设检验问题,关注时间序列的随机块模型这一特殊情形,并分析了基于不同局部统计方法的两类扫描统计量的极限分布和功率特性,并在合成数据和 Enron 电子邮件语料库上理论和性能比较,证明了两种统计量在一个简单境况下是可接受的,而其中一种统计量在第二种境况下是不可接受的。
Jun, 2013
本文提出了核变点算法(KCP)来定位独立数据分布中的未知变点个数,并通过模型选择带罚项核经验准则来选择变点,并证明了只要合理选择惩罚项中的常数,KCP 可以以最优速率估计变点位置并检测出分布中所有类型的变化,包括复杂的结构化数据。
Dec, 2016
本文分析了含分段常数均值和 / 或方差信号的 l1 惩罚最大似然估计的渐近性质,并建立了融合拉索信号逼近器的(近似的)稀疏一致性性质,重点研究了非平稳时间序列相对于这些模型参数的分段。
Jan, 2014
本文介绍了一种适用于多维观测序列的无参数变点分析方法,基于分层聚类提出了分裂和合并算法,应用于遗传学、金融和时空分析中。
本文介绍了对贝叶斯在线变点检测的推广,包括在线模型选择和非平稳时空过程。我们提出了空间结构化 Vector Autoregressions (VARs),用于建模变点 (CPs) 之间的过程,并给出了此类模型的近似误差上限。所得的算法在线进行预测、模型选择和 CP 检测。其时间复杂度是线性的,空间复杂度是恒定的,因此比最接近的竞争者快两个数量级。此外,它在多元数据方面优于现有技术。
May, 2018
本文研究基于核方法的变点问题,提出一种新的罚函数来选择变点数量,并探究该方法的非渐近贝叶斯界和测度集中性质。实验结果表明,该方法能够准确检测数据整体分布的变化,即使均值和方差固定。
Feb, 2012
本文提出一种新的空间自适应局部 (常数) 似然估计方法,适用于广泛的非参数模型,包括高斯、泊松和二元反应模型,并建议一种新的选取程序参数的方法,同时对其优化性提出一些理论结果,并将此方法应用于分类问题的数值研究中,展示其在模拟和实际问题中的合理表现。
Dec, 2007
本文提出了一种混合过程,通过使用特定于流的广义似然比统计量来跟踪并检测数据流中的变化点,我们假定一开始的数据为独立标准正态随机变量。在变化点后,数据流的子集将具有非零平均值,这是我们需要检测和跟踪的。我们在分析中提出了 ARL 和 EDD 测量方法,通过数值实验得到了良好的结果。
Jul, 2012