Online kernel CUSUM for change-point detection
用于变点检测的在线核 CUSUM 方法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：摘要直接研究在线变点检测及检测延迟，对应结构变化方法，但未限定宏观经济应用。
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…
用于变点检测的在线核 CUSUM 方法
- 研究问题
- 如何在变点位置未知时，在线检测较小的分布变化，并兼顾误报控制、检测延迟以及计算与存储成本？
- 方法与思路
- 作者对一组核统计量取最大值构造在线 CUSUM，推导平均运行长度与预期检测延迟的解析近似，并设计递推计算。
- 材料陈述的贡献
- 摘要称方法对小变化更敏感，给出对数平均运行长度量级的窗口选择，并实现常数计算与存储复杂度及实验验证。
- 阅读关注点
- 应核对变化模型、核与窗口选择、性能近似的适用条件，以及常数复杂度如何界定和与无限记忆程序的比较方式。
- 阅读边界
- 仅据所给 Crossref 摘要，比较条件、误报校准和实验数值未说明；灵敏度与复杂度优势的适用范围仍需核对全文。
原文摘要
Abstract We present a computationally efficient online kernel Cumulative Sum method for change-point detection that utilizes the maximum over a set of kernel statistics to account for the unknown change-point location. Our approach exhibits increased sensitivity to small changes compared to existing kernel-based change-point detection methods, including the Scan-B statistic, corresponding to a non-parametric Shewhart chart-type procedure. We provide accurate analytic approximations for two key performance metrics: the average run length (ARL) and expected detection delay, which enable us to establish an optimal window length to be on the order of the logarithm of ARL to ensure minimal power loss relative to an oracle procedure with infinite memory. Moreover, we introduce a recursive calculation procedure for detection statistics to ensure constant computational and memory complexity, which is essential for online implementation. Through extensive experiments on both simulated and real data, we demonstrate the competitive performance of our method and validate our theoretical results.