Exact Multiple Change-Point Detection Via Smallest Valid Partitioning
通过最小有效分段实现精确多变点检测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：摘要直接研究时间序列的多变点检测与分段优化，因此对应结构变化及时间序列方向；没有给出更具体的宏观经济应用。
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…
通过最小有效分段实现精确多变点检测
- 研究问题
- 研究如何在时间序列多变点检测中，同时保证每个分段通过预先选择的有效性检验，并得到优先控制分段数量的全局分段方案。
- 方法与思路
- 作者提出最小有效分段方法，先筛选通过局部检验的候选区间，再以优先简约性的字典序优化进行聚合，求得优化问题的精确解。
- 材料陈述的贡献
- 摘要称明确强制分段有效性，分析了由线性至立方量级的计算复杂度，并通过比较及稳健检测示例展示方法的灵活性。
- 阅读关注点
- 应核对有效性检验与字典序目标的定义、精确求解的含义、复杂度成立的情形，以及局部检验是否带来全局误差控制。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；优化的精确解不等于真实变点的精确恢复，摘要未说明检测误差或定位保证。
原文摘要
We introduce smallest valid partitioning (SVP), a segmentation method for multiple change-point detection in time-series. SVP relies on a local notion of segment validity: a candidate segment is retained only if it passes a user-chosen validity test (e.g., a single change-point test). From the collection of valid segments, we propose a coherent aggregation procedure that constructs a global segmentation which is the exact solution of an optimization problem. Our main contribution is the use of a lexicographic order for the optimization problem that prioritizes parsimony. We analyze the computational complexity of the resulting procedure, which ranges from linear to cubic time depending on the chosen cost and validity functions, the data regime and the number of detected changes. Finally, we assess the quality of SVP through comparisons with standard optimal partitioning algorithms, showing that SVP yields competitive segmentations while explicitly enforcing segment validity. The flexibility of SVP makes it applicable to a broad class of problems; as an illustration, we demonstrate robust change-point detection by encoding robustness in the validity criterion.