Joint Linear Trend Recovery Using L1 Regularization
利用 L1 正则化恢复联合分段线性趋势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：摘要明确研究时间序列的分段线性趋势恢复与斜率变点检测。
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…
关注这篇论文的作者
利用 L1 正则化恢复联合分段线性趋势
- 研究问题
- L1 趋势滤波在什么条件下能够准确估计时间序列的分段线性均值，并以高概率恢复斜率变化的方向？
- 方法与思路
- 作者研究 L1 正则化趋势滤波，分别推导均值估计和变点检测的充分条件，并用有限样本模拟评价其表现。
- 材料陈述的贡献
- 摘要称，均值估计达到近乎最优的一致性速率，斜率变化方向可高概率恢复，且弱不可表示条件并非检测一致性的必要条件。
- 阅读关注点
- 应核对误差与趋势的充分条件、近乎最优速率的比较标准，以及变点位置恢复和斜率变化方向恢复之间的区别。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出速率、信号强度条件或检测误差，不能据此判断实际适用性。
原文摘要
This paper studies the recovery of a joint piece-wise linear trend from a time series using L1 regularization approach, called L1 trend filtering (Kim, Koh and Boyd, 2009). We provide some sufficient conditions under which a L1 trend filter can be well-behaved in terms of mean estimation and change point detection. The result is two-fold: for the mean estimation, an almost optimal consistent rate is obtained; for the change point detection, the slope change in direction can be recovered in a high probability. In addition, we show that the weak irrepresentable condition, a necessary condition for LASSO model to be sign consistent (Zhao and Yu, 2006), is not necessary for the consistent change point detection. The performance of the L1 trend filter is evaluated by some finite sample simulations studies.