Adaptive Inference for Change Points in High-Dimensional Data
高维数据变点的自适应推断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：摘要明确研究均值变点检验及多变点定位，直接对应结构变化方法，但未提供宏观应用。
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…
高维数据变点的自适应推断
- 研究问题
- 作者研究高维独立数据的均值变点，如何构造同时对稀疏和稠密变化具有检验能力的方法，并估计多变点数量与位置。
- 方法与思路
- 作者结合 U 统计量与不同阶数的范数检验，利用偶数阶统计量的渐近独立性组合检验，并结合野生二分分割定位变点。
- 材料陈述的贡献
- 摘要称组合检验无需调节参数且具有自适应功效，给出特定单变点统计量最大化位置的收敛速率，并提出多变点估计程序。
- 阅读关注点
- 应核对独立性与矩条件、稀疏和稠密备择的定义、单变点收敛率的适用范围，以及多变点分割需要的间隔和信号条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；研究对象是独立数据，不能直接推广至序列相关情形，多变点理论条件和比较细节未说明。
原文摘要
In this article, we propose a class of test statistics for a change point in the mean of high-dimensional independent data. Our test integrates the U-statistic based approach in a recent work by Wang et al. and the Lq-norm based high-dimensional test in a recent work by He et al., and inherits several appealing features such as being tuning parameter free and asymptotic independence for test statistics corresponding to even q’s. A simple combination of test statistics corresponding to several different q’s leads to a test with adaptive power property, that is, it can be powerful against both sparse and dense alternatives. On the estimation front, we obtain the convergence rate of the maximizer of our test statistic standardized by sample size when there is one change-point in mean and q = 2, and propose to combine our tests with a wild binary segmentation algorithm to estimate the change-point number and locations when there are multiple change-points. Numerical comparisons using both simulated and real data demonstrate the advantage of our adaptive test and its corresponding estimation method.