Optimal detection of general moment changes: Simultaneous mean and covariance change detection and beyond
一般矩变点的最优检测：均值与协方差变点同时检测及推广AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究多元时间序列的分段常数分布变化与多变点检测，直接对应时间序列与结构变化两个方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
一般矩变点的最优检测：均值与协方差变点同时检测及推广
- 研究问题
- 研究多元时间序列中分布以分段常数方式变化时的多变点检测问题，尤其关注均值、协方差乃至更高阶矩的变化，并处理高维与时间相依性。
- 方法与思路
- 作者提出用张量表示把不同阶矩统一到同一线性代数框架中，从而构造可检测不超过给定阶数 p 的各阶矩变化的方法，并允许序列维数随样本量增长。
- 材料陈述的贡献
- 摘要称该程序在适当正则条件下达到与新建极小极大下界相匹配的定位误差率，并给出非消失与消失矩跳跃下的极限分布，在消失跳跃情形构造渐近有效置信区间。
- 阅读关注点
- 应核对张量表示的具体构造与可识别条件、正则假设、极小极大下界的推导范围、维数随样本量增长的速率条件，以及置信区间的覆盖性质与数值实验设置。
- 阅读边界
- 这是 arXiv 预印本，未经同行评审验证；摘要未说明具体假设细节、模拟设计、真实数据来源与有限样本表现，不能据此判断方法的实际优劣。
原文摘要
We study multiple change-point detection in multivariate time series whose distributions change in a piecewise constant manner. Distributional changes can manifest across different moment orders, from shifts in the mean and covariance to changes in higher-order moments. Higher-order moments capture increasingly rich distributional features but become difficult to estimate in high dimensions. Our tensor representation unifies moments of different orders within a common linear algebraic framework, enabling a new method to detect changes in moments of all orders up to a prescribed fixed order $p$. The resulting procedure accommodates temporal dependence and allows the dimension of the time series to grow with the sample size. Under suitable regularity conditions, the proposed procedure achieves a localization error rate that matches a newly developed minimax lower bound. We further derive limiting distributions under both nonvanishing and vanishing moment jumps and construct asymptotically valid confidence intervals in the vanishing-jump regime. Numerical experiments and real-data analyses demonstrate the method's effectiveness in detecting moment changes and a range of distributional shifts.