High-Dimensional Change Point Analysis for Temporally Dependent Data
时间依赖数据的高维变点分析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：摘要明确研究具有时间依赖的高维序列及其均值变点检测和定位，直接对应时间序列与结构变化方向。
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…
时间依赖数据的高维变点分析
- 研究问题
- 面对非高斯且具有时间依赖的高维序列，如何同时检测稠密和稀疏均值变化，并定位样本内部、边界及多个变点？
- 方法与思路
- 作者结合针对稠密变化的二次 CUSUM 与针对稀疏变化的坐标最大统计量，采用两种权重及 Cauchy 组合检验，并用野二分割定位。
- 材料陈述的贡献
- 摘要称建立了极限分布、中心化和尺度估计有效性，以及配对统计量的渐近独立性，并给出单变点定位和多变点一致恢复结果。
- 阅读关注点
- 应核对允许的时间与横截面依赖、维数增长和变化强度条件、边界权重的作用，以及组合检验和多变点恢复的保证范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出具体依赖条件、最小变点间距、定位速率或数值比较结果。
原文摘要
This paper develops adaptive procedures for detecting and locating mean changes in high-dimensional time series. Quadratic CUSUM statistics target dense changes, whereas coordinatewise maximum statistics target sparse changes. Two weighting schemes are considered to accommodate both interior and boundary changes. Under general non-Gaussian vector dependence, we establish the limiting distributions, validate the required centering and scaling estimators, and prove asymptotic independence between matched quadratic and maximum statistics. These results justify Cauchy combination tests. We further establish single-change localization and consistent multiple-change recovery using wild binary segmentation. Numerical results illustrate the effectiveness of the proposed methods.