Online Change Point Detection for Multivariate Inhomogeneous Poisson Processes Time Series
多元非齐次泊松过程时间序列的在线变点检测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。
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：摘要直接研究时间依赖的多元事件序列及其在线变点检测，对应时间序列和结构变化。
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…
多元非齐次泊松过程时间序列的在线变点检测
- 研究问题
- 面对具有时间依赖的多元非齐次泊松事件序列，如何在线检测强度变化，同时控制误报并保持每次更新的计算成本稳定？
- 方法与思路
- 作者用低秩矩阵表示多元泊松强度函数，构造自适应非参数单遍检测算法，并建立适用于时间依赖的矩阵浓缩不等式。
- 材料陈述的贡献
- 摘要称方法控制总体误报概率并刻画检测延迟，每个新观测的计算成本不随已运行序列长度增长，实验展示稳健性与效率。
- 阅读关注点
- 应核对低秩表示、时间依赖和变化幅度的条件，误报控制的时间范围，以及常数更新成本如何依赖维度和调参。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未说明理论条件、检测阈值及实验数值，不能判断具体场景的检测能力。
原文摘要
We study online change point detection for multivariate inhomogeneous Poisson point process time series. This setting arises commonly in applications such as earthquake seismology, climate monitoring, and epidemic surveillance, yet remains underexplored in the machine learning and statistics literature. We propose a method that uses low-rank matrices to represent the multivariate Poisson intensity functions, resulting in an adaptive nonparametric detection procedure. Our algorithm is single-pass and requires only constant computational cost per new observation, independent of the elapsed length of the time series. We provide theoretical guarantees to control the overall false alarm probability and characterize the detection delay under temporal dependence. We also develop a new Matrix Bernstein inequality for temporally dependent Poisson point process time series, which may be of independent interest. Numerical experiments demonstrate that our method is both statistically robust and computationally efficient.