Greedy Segmentation for a Functional Data Sequence
函数型数据序列的贪心分割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：摘要明确研究序列中多个变点的检测、数量选择与位置估计，对应结构变化方法；所述应用为天气而非宏观经济数据。
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…
函数型数据序列的贪心分割
- 研究问题
- 如何在函数型数据序列中高效检测多个变点，并使变点数量和位置的估计不依赖传统的至多一个变点设置？
- 方法与思路
- 作者将可检测性与适当子空间上的投影和变点位置联系起来，构造贪心分割估计，并利用检验统计量的渐近分布选择变点。
- 材料陈述的贡献
- 摘要称估计具有不受至多一个变点条件限制的一致性，对变点相对位置具有稳健性，并通过模拟和天气数据展示方法。
- 阅读关注点
- 应核对投影子空间如何选择、可检测性与变点间距要求，以及候选数过多或过少时识别真实变点的准确含义。
- 阅读边界
- 来源为稿件版本未注明的索引摘要，无法判断刊本变化；摘要未给出一致性条件，不能将相对位置稳健性理解为无需信号或间距限制。
原文摘要
We present a new approach known as greedy segmentation (GS) to identify multiple changepoints for a functional data sequence. The proposed multiple changepoint detection criterion links detectability with the projection onto a suitably chosen subspace and the changepoint locations. The changepoint estimator identifies the true changepoints for any predetermined number of changepoint candidates, either over-reporting or under-reporting. This theoretical finding supports the proposed GS estimator, which can be efficiently obtained in a greedy manner. The GS estimator’s consistency holds without being restricted to the conventional at most one changepoint condition, and it is robust to the relative positions of the changepoints. Based on the GS estimator, the test statistic’s asymptotic distribution leads to the novel GS algorithm, which identifies the number and locations of changepoints. Using intensive simulation studies, we compare the finite sample performance of the GS approach with other competing methods. We also apply our method to temporal changepoint detection in weather datasets.