Bayesian changepoint detection via logistic regression and the topological analysis of image series
利用逻辑回归与图像序列拓扑分析进行贝叶斯变点检测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：摘要的核心方法是多变量序列变点检测及变点恢复理论，直接对应结构变化方向，应用主要为图像数据。
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…
利用逻辑回归与图像序列拓扑分析进行贝叶斯变点检测
- 研究问题
- 如何在多变量及混合类型数据中同时推断变点位置和变化特征，并以可解释方式描述图像序列中的复杂拓扑变化？
- 方法与思路
- 作者用逻辑回归区分变点前后数据，通过 Pólya–gamma 数据增广进行 Gibbs 抽样，并结合拓扑特征嵌入分析图像序列。
- 材料陈述的贡献
- 摘要称，方法提供可解释的变化描述，建立恢复真实变点的条件，并在模拟、真实图像及其他变点任务中展示有效表现。
- 阅读关注点
- 应核对变点恢复条件、回归构造与先验设定、拓扑嵌入步骤，以及混合数据适用范围和后验位置不确定性的表达。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实。摘要未列出恢复条件或比较数值，放宽分布要求也不等于无需任何假设。
原文摘要
We present a Bayesian method for multivariate changepoint detection that allows for simultaneous inference on the location of a changepoint and the coefficients of a logistic regression model for distinguishing pre-changepoint data from post-changepoint data. In contrast to many methods for multivariate changepoint detection, the proposed method is applicable to data of mixed type and avoids strict assumptions regarding the distribution of the data and the nature of the change. The regression coefficients provide an interpretable description of a potentially complex change. For posterior inference, the model admits a simple Gibbs sampling algorithm based on Pólya-gamma data augmentation. We establish conditions under which the proposed method is guaranteed to recover the true underlying changepoint. As a testing ground for our method, we consider the problem of detecting topological changes in time series of images. We demonstrate that our proposed method BCLR, combined with a topological feature embedding, performs well on both simulated and real image data. The method also successfully recovers the location and nature of changes in more traditional changepoint tasks.