Fast Online Changepoint Detection
快速在线变点检测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：摘要研究弱依赖时间序列背景下基于回归残差的在线变点检测，对应结构变化与时间序列。
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…
快速在线变点检测
- 研究问题
- 在线监测线性回归关系时，如何及时识别监测期早段或其他位置发生的变化，同时控制整个监测程序的一类错误？
- 方法与思路
- 作者对回归残差的 CUSUM 过程施加强权重以加快早期检测，再将不同权重统计量组合并以最大值决策，在一般弱依赖下建立理论。
- 材料陈述的贡献
- 摘要称加权与组合统计量可缩短不同位置变点的检测延迟，蒙特卡洛结果显示程序整体一类错误得到控制且检测延迟较短。
- 阅读关注点
- 应核对训练期和监测期设定、弱依赖条件、组合统计量的阈值校准，以及早期检测增益是否影响其他位置变化的检出能力。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未列明弱依赖要求，不能据其宽泛表述认定适用于所有序列。
原文摘要
We study online changepoint detection in the context of a linear regression model. We propose a class of heavily weighted statistics based on the CUSUM process of the regression residuals, which are specifically designed to ensure timely detection of breaks occurring early on during the monitoring horizon. We subsequently propose a class of composite statistics, constructed using different weighing schemes; the decision rule to mark a changepoint is based on the largest statistic across the various weights, thus effectively working like a veto-based voting mechanism, which ensures fast detection irrespective of the location of the changepoint. Our theory is derived under a very general form of weak dependence, thus being able to apply our tests to virtually all time series encountered in economics, medicine, and other applied sciences. Monte Carlo simulations show that our methodologies are able to control the procedure-wise Type I Error, and have short detection delays in the presence of breaks.