Detection and Mode-Identification of Multiple Change Points in Tensor Factor Models
张量因子模型中多个变点的检测与模态识别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：摘要明确研究张量时间序列的因子结构、多个结构变点及模态载荷变化。
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
张量因子模型中多个变点的检测与模态识别
- 研究问题
- 高维张量时间序列出现多次结构变化时，如何同时定位变点并判断变化发生在哪些模态？作者还研究不同模态变化之间的相互影响。
- 方法与思路
- 作者基于 Tucker 分解因子模型的低秩结构检测多个变点，再定义变化的模态可识别性，并在分段后识别发生变化的模态。
- 材料陈述的贡献
- 摘要称，两类方法在弱矩条件下具有一致性；模拟显示模态识别可改善分段后的载荷空间估计，并提供出租车与投资组合应用。
- 阅读关注点
- 应核对变点间隔、信号强度与弱矩条件，理解模态可识别性的定义，并检查模态交互及初步分段误差如何影响后续载荷估计。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未说明一致性的完整条件、误差率及实证变点的具体解释。 复核沿用经核验的旧摘要解读，未重新调用模型或阅读新版全文。
原文摘要
We study the problem of modeling high-dimensional tensor-valued time series under a Tucker decomposition-based factor model while permitting the presence of multiple structural change points. Such data call for a method that (i) handles high dimensionality and complex dependence while achieving consistency in multiple change points and further, (ii) addresses a unique challenge posed by the multi-dimensional array setting, of identifying the modes associated with each change while the shifts in different modes interact with one another. To this end, we propose a change point detection procedure utilizing the low-rank structure of the data for statistical and computational efficiency. In addition, we formalize the $\textit{mode-identifiability}$ of each change and propose an algorithm for detecting the modes at which the data undergo a mode-identifiable shift. We establish the consistency of both change point detection and mode-identification methods under a weak moment condition, and demonstrate their good performance on simulated datasets where, in particular, it is shown that the mode-identification step can improve the post-segmentation estimation of the mode-wise loading space. We also analyze the datasets on New York City taxi usage and Fama--French portfolio returns using the proposed suite of methods.