Graph-based change-point detection
基于图的变点检测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。
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：摘要直接研究数据序列的分布变点和变化区间；相似性图本身不足以归入网络干扰领域。
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
基于图的变点检测
- 研究问题
- 对于可能为中高维的数据序列，如何利用观测之间的相似性检验和估计分布突变，并处理单变点及变化区间备择？
- 方法与思路
- 作者以表示观测相似性的图构造非参数扫描统计量，为单变点与变化区间备择给出显著性的解析近似。
- 材料陈述的贡献
- 摘要称，方法适用于能定义有效相似性度量的数据；模拟中在中高维情形获得更高功效，并展示文本与网络变化应用。
- 阅读关注点
- 应核对相似性度量和图的选择、扫描显著性的近似条件，以及模拟功效比较的维度、备择结构和基准方法。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明全部校准条件和比较数值，不能将特定模拟的功效优势视为普遍结论。
原文摘要
We consider the testing and estimation of change-points—locations where the distribution abruptly changes—in a data sequence. A new approach, based on scan statistics utilizing graphs representing the similarity between observations, is proposed. The graph-based approach is nonparametric, and can be applied to any data set as long as an informative similarity measure on the sample space can be defined. Accurate analytic approximations to the significance of graph-based scan statistics for both the single change-point and the changed interval alternatives are provided. Simulations reveal that the new approach has better power than existing approaches when the dimension of the data is moderate to high. The new approach is illustrated on two applications: The determination of authorship of a classic novel, and the detection of change in a network over time.