Distribution estimation and change-point estimation for time series via DNN-based GANs
基于深度神经网络 GAN 的时间序列分布估计与变点估计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。
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：摘要直接研究平稳时间序列的分布估计及分布变点定位，对应时间序列与结构变化。
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…
基于深度神经网络 GAN 的时间序列分布估计与变点估计
- 研究问题
- 如何将主要用于独立同分布数据的生成对抗网络扩展到平稳时间序列，估计其联合平稳分布并定位分布变化的时点？
- 方法与思路
- 作者利用分块技术处理时间依赖，推导深度神经网络 GAN 分布估计量的非渐近误差界，并据此提出分布变点估计算法。
- 材料陈述的贡献
- 摘要称建立了平稳分布估计的误差界并提出变点算法，分别用蒙特卡洛实验检验，另以人体活动识别数据展示应用潜力。
- 阅读关注点
- 应核对时间依赖与网络复杂度如何进入误差界、分块长度如何选择，以及变点算法对变化幅度和相邻分段长度的要求。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明具体依赖条件、误差速率及变点定位精度。
原文摘要
The generative adversarial networks (GANs) have recently been applied to estimating the distribution of independent and identically distributed data, and have attracted a lot of research attention. In this paper, we use the blocking technique to demonstrate the effectiveness of GANs for estimating the distribution of stationary time series. Theoretically, we derive a non-asymptotic error bound for the Deep Neural Network (DNN)-based GANs estimator for the stationary distribution of the time series. Based on our theoretical analysis, we propose an algorithm for estimating the change point in time series distribution. The two main results are verified by two Monte Carlo experiments respectively, one is to estimate the joint stationary distribution of $5$-tuple samples of a 20 dimensional AR(3) model, the other is about estimating the change point at the combination of two different stationary time series. A real world empirical application to the human activity recognition dataset highlights the potential of the proposed methods.