Covariance scanning for adaptively optimal change point detection in high-dimensional linear models
高维线性模型中协方差扫描的自适应最优变点检测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：摘要主题为高维线性模型中的变点检测与估计，直接对应结构变化方向；其余领域细分在摘要中无明确文本依据。
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
高维线性模型中协方差扫描的自适应最优变点检测
- 研究问题
- 摘要称，本文研究高维线性模型中单个变点的检测与估计问题，关注检测边界与估计速率，以及协方差结构与回归系数变化如何共同影响可检测性。
- 方法与思路
- 作者提出基于协方差扫描的两类方法 McScan 与 QcSan，分别针对稀疏与稠密情形，并设计无需已知稀疏度的组合程序；摘要称这些方法避免 Lasso 型估计的高昂计算，最坏情形计算复杂度对维度和样本量线性。
- 材料陈述的贡献
- 摘要称推导了检测边界与估计速率的极小极大下界，揭示由协方差加权差分参数稀疏性驱动的相变；称 QcScan 是首个在稠密情形下达到一致性的方法，组合程序在稀疏与稠密情形下自适应极小极大最优，并讨论了检测后差分参数估计与变点估计精化。
- 阅读关注点
- 应核对下界与相变所依赖的识别假设、稀疏度定义与协方差条件；核对 McScan、QcScan 及组合程序的具体构造、调参方式与对数因子；核对一致性、极小极大最优性的精确表述与适用范围；核对线性复杂度结论的成立条件及模拟设计。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；这是预印本，不能据此声称已通过同行评审或期刊接收。摘要未说明具体假设、常数、模拟设置与证明细节，所述最优性与一致性均属作者陈述，尚待独立验证。
原文摘要
This paper investigates the detection and estimation of a single change in high-dimensional linear models. We derive minimax lower bounds for the detection boundary and the estimation rate, which uncover a phase transition governed by the sparsity of the covariance-weighted differential parameter. This form of "inherent sparsity" captures a delicate interplay between the covariance structure of the regressors and the change in regression coefficients on the detectability of a change point. Complementing the lower bounds, we introduce two covariance scanning-based methods, McScan and QcSan, which achieve minimax optimal performance (up to possible logarithmic factors) in the sparse and the dense regimes, respectively. In particular, QcScan is the first method shown to achieve consistency in the dense regime and further, we devise a combined procedure which is adaptively minimax optimal across sparse and dense regimes without the knowledge of the sparsity. Computationally, covariance scanning-based methods avoid costly computation of Lasso-type estimators and attain worst-case computation complexity that is linear in the dimension and sample size. Additionally, we consider the post-detection estimation of the differential parameter and the refinement of the change point estimator. Simulation studies support the theoretical findings and demonstrate the computational and statistical efficiency of the proposed covariance scanning methods.