Spectral Change Point Estimation for High Dimensional Time Series by Sparse Tensor Decomposition
基于稀疏张量分解的高维时间序列谱变点估计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：摘要以高维时间序列的频域结构变化和变点定位为核心，股票收益只是应用场景。
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
基于稀疏张量分解的高维时间序列谱变点估计
- 研究问题
- 高维时间序列的结构变化可能仅发生在部分序列和频带中，如何同时定位全部变点，并识别每次变化涉及的序列与频率？
- 方法与思路
- 作者用分块谱估计构造 CUSUM 张量，以适应变化稀疏程度的张量分解估计频率特定投影，再聚合投影统计量检测变点。
- 材料陈述的贡献
- 摘要称给出变点数量、位置收敛率及投影方向误差的理论保证，提供数据驱动调参规则，并展示模拟与股票收益应用。
- 阅读关注点
- 应核对变化幅度、间隔和谱平滑条件，稀疏自适应的含义，以及频率聚合、参数选择和受影响序列识别的误差控制。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出具体收敛率、调参公式或应用结果，不能判断所有变化类型的表现。
原文摘要
Multivariate time series may be subject to partial structural changes over certain frequency band, for instance, in neuroscience. We study the change point detection problem with high dimensional time series, within the framework of frequency domain. The overarching goal is to locate all change points and delineate which series are activated by the change, over which frequencies. In practice, the number of activated series per change and frequency could span from a few to full participation. We solve the problem by first computing a CUSUM tensor based on spectra estimated from blocks of the time series. A frequency-specific projection approach is applied for dimension reduction. The projection direction is estimated by a proposed tensor decomposition algorithm that adjusts to the sparsity level of changes. Finally, the projected CUSUM vectors across frequencies are aggregated for change point detection. We provide theoretical guarantees on the number of estimated change points and the convergence rate of their locations. We derive error bounds for the estimated projection direction for identifying the frequency-specific series activated in a change. We provide data-driven rules for the choice of parameters. The efficacy of the proposed method is illustrated by simulation and a stock returns application.