通过约束多维总变化的方法，我们提出了一种基于组合融合拉索的方法来探测一组共同出现的一维信号上的变化点，并提出了快速算法来解决相关的优化问题。我们给出了几个解决方案的条件，以确保算法在信号数量增加时保持一致性，并通过对模拟数据和基因组杂交数据的实证证据来支持这些结果。

Jun, 2011

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

本文研究了三个最小二乘程序及其渐近特性，提出了一种名为融合自适应 Lasso 的估计器，讨论了节省筛中 L1 范数和变化的最大总变差半范数，以及限制实现信号阻塞的数量和非零坐标的数量的另外两个估计量，推导了融合 lasso 和融合自适应 lasso 恢复真实块分区和稀疏模式的条件，并明确了筛选器的收敛速度与限良参数的关系。

May, 2008

本文提出了一种基于稀疏差异先验的正则化 M - 估计方法，通过估计图和变化点结构相结合，探讨了多变量时序的时间变化精度矩阵的动态条件依赖结构，以及其应对于稀疏依赖结构或平滑演化图结构的需求。此外，方法的扩张能使得在多个系统的依赖关系中进行变化点的估计，并提出了一种高效算法用于对结构的估计，最后，对两个真实世界数据集的定性影响以及合理性进行研究。

Dec, 2015

本篇论文提供一种新的建模和预测非平稳时间序列的方法，并将其应用于金融数据的波动率建模，方法基于局部同质性和局部变化点分析，解决了调整参数问题，该方法应用于数据集并与标准的 GARCH 模型进行比较，最后讨论了该方法在风险价值问题中的应用。

Jun, 2009

该研究探讨了一维高斯过程数据的均值变化检测问题，并提出了基于广义似然比检验的检测方法，该方法在固定域和增长域的两个设置中都几乎渐近地达到最优水平，主要特点是充分利用了高斯过程协方差结构所捕捉到的数据依赖性，即使协方差未知，我们也提出了插件 GLRT 方法，并推导出了该方法仍然渐近近似最优的条件。

Jun, 2015

研究了非线性观测信号估计问题，当信号属于高维空间中的低维集合时，可以使用广义 Lasso 方法，针对非线性观测信号进行噪声线性观察建模，通过信号重建结构降低误差，允许信号具有不连续、多义和未知的非线性特征，并允许测量矩阵的行具有未知的协方差矩阵。

Feb, 2015

本文提出了一种基于组合 Laplacian 的可行的放松 GLR 统计量，称为谱扫描统计量，以解决在给定图形上检测未知信号是否为常数或分段常数问题，其性能直接取决于图形的谱，并基于图的少量重要拓扑性能提出了渐近性质证明。

Jun, 2012

本论文提出了一种非参数极大似然方法来检测多变点问题，可以适用于数据序列中的任何分布变化，同时通过贝叶斯信息准则确定变点数，并通过动态规划算法和似然函数的内在顺序结构来估计变点位置，模拟研究结果表明，该方法在估计精度和计算时间方面具有令人满意的性能。

May, 2014

研究了在存在 Lipschitz 连续生成模型的情况下，从嘈杂的非线性测量中估计未知的 n 维信号问题。研究表明，非一致恢复保证在 i.i.d. 下成立，并且这种方案可以抵抗对抗性噪声，同时经过推广，可以适用于神经网络生成模型和其他测量模型。

Jun, 2020