Post-detection inference for sequential changepoint localization
序贯变点定位的检测后推断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：摘要直接研究序贯变化检测后的变点定位与变化幅度推断，对应结构变化方向。
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…
关注这篇论文的作者
序贯变点定位的检测后推断
- 研究问题
- 当序贯算法在数据依赖的停止时点宣布发生变化后，如何仅用截至该时点的观测，为未知变点构造有效置信集合？
- 方法与思路
- 作者提出非参数、非渐近的置信集合框架，并在适当条件下扩展至复合变化前分布类及参数模型中的变化幅度。
- 材料陈述的贡献
- 摘要称框架可配合任意序贯检测算法，提供区间宽度理论保证；模拟中的集合大小合理，覆盖率略显保守。
- 阅读关注点
- 应核对覆盖率的概率定义、停止时点和检测事件的处理、复合变化前模型所需条件，以及区间宽度保证的范围。
- 阅读边界
- 依据所给 Crossref 在线优先版摘要，不能确认具体覆盖定义、扩展条件或数值表现；作者的一般性表述需结合完整定理理解。
原文摘要
Abstract This article addresses a fundamental but largely unexplored challenge in sequential changepoint analysis: conducting inference following a detected change. We develop a very general framework to construct confidence sets for the unknown changepoint using only the data observed up to a data-dependent stopping time at which an arbitrary sequential detection algorithm declares a change. Our framework is nonparametric, making no assumption on the composite postchange class, the observation space, or the sequential detection procedure used, and is nonasymptotically valid. We also extend it to handle composite prechange classes under a suitable assumption and also derive confidence sets for the change magnitude in parametric settings. We provide theoretical guarantees on the width of our confidence intervals. Extensive simulations demonstrate that the produced sets have reasonable size, and slightly conservative coverage. In summary, we present the first general method for sequential changepoint localization, which is theoretically sound and broadly applicable in practice.