Online High-Dimensional Change-Point Detection using Topological Data Analysis
利用拓扑数据分析进行在线高维变点检测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：摘要明确研究序贯观测中的在线变点检测，检测对象是数据的拓扑结构变化。
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…
关注这篇论文的作者
利用拓扑数据分析进行在线高维变点检测
- 研究问题
- 当高维复杂数据的拓扑结构随观测过程发生变化时，如何利用持久图中的信息及时进行在线变点检测？
- 方法与思路
- 作者提出基于持久图的变点方法，将拓扑数据分析与非参数变点检测结合，利用持久图上点的分布识别拓扑变化。
- 材料陈述的贡献
- 摘要称方法的新意在于通过持久图点的分布在线检测拓扑结构变化，并以太阳耀斑监测应用展示方法的有效性。
- 阅读关注点
- 应核对持久图的构建及分布表示、在线统计量和报警阈值，以及误报率、检测延迟和高维计算成本的评估。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未提供检测保证、阈值条件或比较结果，应用范围不能据此外推。
原文摘要
Topological Data Analysis (TDA) is a rapidly growing field, which studies methods for learning underlying topological structures present in complex data representations. TDA methods have found recent success in extracting useful geometric structures for a wide range of applications, including protein classification, neuroscience, and time-series analysis. However, in many such applications, one is also interested in sequentially detecting changes in this topological structure. We propose a new method called Persistence Diagram based Change-Point (PD-CP), which tackles this problem by integrating the widely-used persistence diagrams in TDA with recent developments in nonparametric change-point detection. The key novelty in PD-CP is that it leverages the distribution of points on persistence diagrams for online detection of topological changes. We demonstrate the effectiveness of PD-CP in an application to solar flare monitoring.