SCAN: Sequentially Detecting Change-points via Adaptive Nonparametric Inference
SCAN：通过自适应非参数推断依次检测变点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：摘要直接研究序列依赖下的时间序列分布变点与结构变化检测。
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…
SCAN：通过自适应非参数推断依次检测变点
- 研究问题
- 对于长且存在序列依赖的单变量时间序列，如何高效检测多个分布变点，同时减少阈值和窗口选择的敏感性？
- 方法与思路
- 作者用积分概率度量比较相邻窗口，以考虑依赖的自助法校准，再用缩放的一阶 Wasserstein 准则定位并集成多窗口。
- 材料陈述的贡献
- 摘要称在指数 α 混合条件下建立变点数量和位置估计一致性，并在模拟中通常获得较高覆盖与 F1 指标。
- 阅读关注点
- 核对离线顺序检测流程、依赖自助法及多窗口集成，检查变点间距、变化幅度和一致性条件以及计算成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；方法属于离线检测，摘要未列全部理论条件，也未证明任意变化下均优于基准。
原文摘要
Modern time series are often long, serially dependent, and non-stationary. Existing change-point methods either target specific changes or become computationally intensive when using nonparametric costs on long series. Many also require thresholds to be carefully calibrated under serial dependence. We introduce SCAN, an offline method for detecting multiple distributional change-points in long, serially dependent univariate time series. SCAN compares adjacent windows using an integral probability metric, calibrates local discrepancies with a dependence-aware bootstrap, and refines candidate locations using a scaled 1-Wasserstein criterion, enabling detection of changes in mean, variance, and broader distributional structure within a unified framework. An ensemble over multiple window sizes reduces sensitivity to window size and threshold specification. We establish consistency of the estimated number and locations of change-points under exponential alpha-mixing dependence, and show that the localization statistic reduces to a CUSUM-type statistic under pure mean shifts. In simulations with up to one million observations, SCAN generally achieves higher covering and F1-scores than competing methods across mean and joint mean-variance shifts, particularly under serial dependence. On real data, SCAN identifies labeled activity transitions in sensor data and interpretable structural changes in hourly Bitcoin prices. Implementations are available in the Python package scan-cpd and R package scanr.