A Bayesian framework for change-point detection with uncertainty quantification
带不确定性量化的贝叶斯变点检测框架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：摘要直接讨论时间序列均值与方差的结构突变检测、定位及其不确定性。
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…
带不确定性量化的贝叶斯变点检测框架
- 研究问题
- 如何同时检测时间序列均值和方差中的多个结构突变，并为变点位置提供可信集合，在独立和相关序列下刻画定位精度？
- 方法与思路
- 作者构造单变点贝叶斯模型，将其模块化叠加以处理多个变点，并用变分方法近似后验，适用于连续数据和计数数据。
- 材料陈述的贡献
- 摘要称，单变点定位率在独立和混合序列下分别达到相差对数与对数平方因子的极小极大最优率，并给出高维精确定位结果。
- 阅读关注点
- 应核对信号强度、混合与高维条件，并区分单变点理论和多变点算法；还需查明可信集合覆盖保证与变分近似的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未列出完整信号条件，不能将单变点最优率直接推广至所有多变点情形。
原文摘要
We introduce a novel Bayesian method that can detect multiple structural breaks in the mean and variance of a length $T$ time-series. Our method quantifies uncertainty by returning $α$-level credible sets around the estimated locations of the breaks. In the case of a single change in the mean and/or the variance of an independent sub-Gaussian sequence, we prove that our method attains a localization rate that is minimax optimal up to a $\log T$ factor. For an $α$-mixing sequence with dependence, we prove this optimality holds up to $\log^2 T$ factor. For $d$-dimensional mean changes, we show that if $d \gg \log T$ and the mean signal is dense, then our method exactly recovers the location of the change. Our method detects multiple change-points by modularly ``stacking'' single change-point models and searching for a variational approximation to the posterior distribution. This approach is applicable to both continuous and count data. Extensive simulation studies demonstrate that our method is competitive with the state-of-the-art in terms of speed and performance, and we produce credible sets that are an order of magnitude smaller than our competitors without sacrificing nominal coverage guarantees. We apply our method to real data by detecting i) the gating of an ion channel in the outer membrane of a bacterial cell, and ii) changes in the lithological structure of an oil well.