Asymptotic distribution-free change-point detection for multivariate and non-Euclidean data
多元与非欧氏数据的渐近分布无关变点检测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。
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：摘要明确研究观测序列的分布突变检测、变点定位及变化区间，直接对应结构变化方法。
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…
多元与非欧氏数据的渐近分布无关变点检测
- 研究问题
- 对于多元或非欧氏观测序列，如何检测和估计分布突变，并改善已有相似性方法在部分情形下的低功效或定位偏差？
- 方法与思路
- 作者利用观测间相似性构造新的非参数检验，为单一变点与变化区间备择推导解析 p 值近似，并开展模拟和出租车数据分析。
- 材料陈述的贡献
- 摘要称新方法在模拟中改善变点检测与估计，并在一定条件下使无变化原假设下的统计量渐近分布不依赖具体数据分布。
- 阅读关注点
- 应核对相似性度量的要求、渐近分布无关结论的条件，以及扫描统计量的校准、变点定位指标和模拟比较设计。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；所谓温和条件和改进幅度未展开，不能推定任意相似性度量或序列依赖结构都适用。
原文摘要
We consider the testing and estimation of change-points, locations where the distribution abruptly changes, in a sequence of multivariate or non-Euclidean observations. We study a nonparametric framework that utilizes similarity information among observations, which can be applied to various data types as long as an informative similarity measure on the sample space can be defined. The existing approach along this line has low power and/or biased estimates for change-points under some common scenarios. We address these problems by considering new tests based on similarity information. Simulation studies show that the new approaches exhibit substantial improvements in detecting and estimating change-points. In addition, under some mild conditions, the new test statistics are asymptotically distribution-free under the null hypothesis of no change. Analytic $p$-value approximations to the significance of the new test statistics for the single change-point alternative and changed interval alternative are derived, making the new approaches easy off-the-shelf tools for large datasets. The new approaches are illustrated in an analysis of New York taxi data.