High Dimensional Change Point Estimation via Sparse Projection
基于稀疏投影的高维变点估计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。
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：摘要直接研究高维时间序列均值结构的变点数量和位置估计。
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…
关注这篇论文的作者
基于稀疏投影的高维变点估计
- 研究问题
- 高维时间序列的均值仅在少数坐标发生变化时，如何汇集坐标信息，识别单个分量难以检测的小变化并定位变点？
- 方法与思路
- 作者提出 inspect 两阶段程序：从累积和变换导出的凸优化解提取首个左奇异向量，再对投影序列应用单变量变点算法。
- 材料陈述的贡献
- 摘要称理论对估计变点数量与位置收敛率提供保障，数值研究显示多种生成机制下具有竞争力，并提供 R 软件实现。
- 阅读关注点
- 应核对稀疏程度、变化幅度、变点间隔和噪声条件，以及投影估计、后续分割算法和理论定位误差之间的联系。
- 阅读边界
- 摘要未给出理论条件、定位速率或数值结果；所给为 Crossref 摘要，软件当前状态与版本变化无法确认。
原文摘要
Summary Change points are a very common feature of ‘big data’ that arrive in the form of a data stream. We study high dimensional time series in which, at certain time points, the mean structure changes in a sparse subset of the co-ordinates. The challenge is to borrow strength across the co-ordinates to detect smaller changes than could be observed in any individual component series. We propose a two-stage procedure called inspect for estimation of the change points: first, we argue that a good projection direction can be obtained as the leading left singular vector of the matrix that solves a convex optimization problem derived from the cumulative sum transformation of the time series. We then apply an existing univariate change point estimation algorithm to the projected series. Our theory provides strong guarantees on both the number of estimated change points and the rates of convergence of their locations, and our numerical studies validate its highly competitive empirical performance for a wide range of data-generating mechanisms. Software implementing the methodology is available in the R package InspectChangepoint.