Inference in High-Dimensional Online Changepoint Detection
高维在线变点检测中的统计推断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：摘要直接针对高维均值序列的在线变点定位与发生变化的坐标识别。
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…
高维在线变点检测中的统计推断
- 研究问题
- 序贯发现高维均值向量发生变化后，如何为变点位置给出置信区间，并识别发生变化的坐标，同时控制漏报与误报？
- 方法与思路
- 作者提出在线算法，联合生成变点置信区间和变化坐标集合估计，分析区间长度与平均检测延迟的关系及支持识别误差。
- 材料陈述的贡献
- 摘要称，区间具有目标覆盖率，长度以高概率在对数因子内匹配平均检测延迟，并控制坐标识别的假阴性与假阳性。
- 阅读关注点
- 应核对在线停止规则、覆盖保证的概率事件、信号强度及维数限制，以及区间长度和支持识别误差控制的具体表述。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；信号、依赖及变化次数等具体条件未说明，美国超额死亡应用未给数值结果。
原文摘要
We introduce and study two new inferential challenges associated with the sequential detection of change in a high-dimensional mean vector. First, we seek a confidence interval for the changepoint, and second, we estimate the set of indices of coordinates in which the mean changes. We propose an online algorithm that produces an interval with guaranteed nominal coverage, and whose length is, with high probability, of the same order as the average detection delay, up to a logarithmic factor. The corresponding support estimate enjoys control of both false negatives and false positives. Simulations confirm the effectiveness of our methodology, and we also illustrate its applicability on the U.S. excess deaths data from 2017 to 2020. The supplementary material, which contains the proofs of our theoretical results, is available online.