Consistency of penalized maximum likelihood estimation for multidimensional change-in-velocity detection
多维速度变化检测中惩罚最大似然估计的一致性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：摘要直接研究多维时间序列的速度变点检测及分段数、变点位置的一致性。
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
多维速度变化检测中惩罚最大似然估计的一致性
- 研究问题
- 对带独立高斯噪声的连续分段线性多维轨迹，惩罚最大似然能否一致估计分段数与速度变点，连续性造成的参数耦合如何处理？
- 方法与思路
- 作者在紧参数空间、最小段长和速度跳跃条件下使用强化 Schwarz 惩罚，结合经验过程、过拟合与欠拟合分析及两阶段几何定位。
- 材料陈述的贡献
- 摘要称证明高频渐近下分段数与变点位置联合一致，并给出最大位置误差的概率阶；利用局部连续分段线性结构改善初步定位速度。
- 阅读关注点
- 应核对高频观测设计、段长与跳跃条件及惩罚参数限制，检查固定模型收敛、模型选择一致性和定位速度之间的证明衔接。
- 阅读边界
- 材料为 arXiv v1 预印本，不能据此声称已经同行评审或期刊接收；所述结果依赖给定轨迹、噪声和参数条件，摘要未完整列出其形式。
原文摘要
We establish statistical consistency for the penalized maximum-likelihood estimator underlying CPLASS, a method for detecting changes in velocity in $d$-dimensional time-series data. The signal is modeled as a continuous piecewise-linear trajectory observed with independent Gaussian noise. Unlike classical change-in-mean models, continuity across adjacent segments couples their parameters and prevents direct application of standard segmentation arguments. Under compact parameter spaces, minimum segment-length and velocity-jump conditions, and a strengthened Schwarz information criterion penalty $ρ_k(\log n)^γ$ with $γ>1$, we prove joint consistency of the estimated number of segments and all changepoint locations in the high-frequency regime $n\to\infty$. The maximum changepoint-location error is $O_{\mathbb{P}}\{(\log n/n)^{1/2}\}$. The proof first uses empirical-process theory to establish convergence of the fitted signal, variance, and likelihood for each fixed model size. It then combines overfitting and underfitting arguments with a two-stage geometric localization analysis, yielding an initial $(\log n/n)^{1/3}$ rate that is sharpened by exploiting the local two-segment continuous piecewise-linear structure.