Multiple Change-Point Estimation With a Total Variation Penalty
利用全变差惩罚估计多个变点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。
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：摘要明确研究多个变点的位置估计和一致性，直接对应结构变化方法。
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
利用全变差惩罚估计多个变点
- 研究问题
- 对于白噪声下观测到的一维分段常数信号，如何将多个变点的位置估计转化为变量选择，并兼顾理论保证与计算实现？
- 方法与思路
- 作者使用带有 ℓ1 型惩罚的最小二乘准则，将变点估计转化为变量选择，通过 LARS／LASSO 实现，并结合简化动态规划改进。
- 材料陈述的贡献
- 摘要称，该方法在适当渐近框架下给出一致的变点估计，收敛速度接近最优；改进版本与经典方法的比较表现良好。
- 阅读关注点
- 应核对惩罚参数、变点间距和跳跃幅度等条件，以及一致性针对的误差指标、接近最优的含义和动态规划的作用。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体渐近条件和比较数值未说明，不能据白噪声信号设定推断经济序列中的适用性。
原文摘要
We propose a new approach for dealing with the estimation of the location of change-points in one-dimensional piecewise constant signals observed in white noise. Our approach consists in reframing this task in a variable selection context. We use a penalized least-square criterion with a ℓ1-type penalty for this purpose. We explain how to implement this method in practice by using the LARS / LASSO algorithm. We then prove that, in an appropriate asymptotic framework, this method provides consistent estimators of the change points with an almost optimal rate. We finally provide an improved practical version of this method by combining it with a reduced version of the dynamic programming algorithm and we successfully compare it with classical methods.