Subspace Change-Point Detection via Low-Rank Matrix Factorisation
基于低秩矩阵分解的子空间变点检测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：摘要明确分析多变量时间序列，并检测其底层子空间的多个变点，因此对应时间序列与结构变化这两个方法方向。
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
基于低秩矩阵分解的子空间变点检测
- 研究问题
- 对于主要结构可由低维子空间表示的高维多变量时间序列，如何检测底层子空间随时间发生的多个结构变化？
- 方法与思路
- 作者提出以低秩矩阵分解为基础的变点检测方法，针对多变量时间序列的子空间变化，并使用合成及真实数据进行比较。
- 材料陈述的贡献
- 摘要称，该方法能够检测多个子空间变点，实验展示了有效性及相对若干现有方法的优势，但未报告具体比较结果。
- 阅读关注点
- 应核对子空间变化的定义、秩与变点数量的选择、检测算法，以及实验基准、误报控制和不同变化幅度下的表现。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收。摘要未说明理论保证、适用条件、数据细节或优势的具体幅度。
原文摘要
Multivariate time series can often have a large number of dimensions, whether it is due to the vast amount of collected features or due to how the data sources are processed. Frequently, the main structure of the high-dimensional time series can be well represented by a lower dimensional subspace. As vast quantities of data are being collected over long periods of time, it is reasonable to assume that the underlying subspace structure would change over time. In this work, we propose a change-point detection method based on low-rank matrix factorisation that can detect multiple changes in the underlying subspace of a multivariate time series. Experimental results on both synthetic and real data sets demonstrate the effectiveness of our approach and its advantages against various state-of-the-art methods.