Change point analysis of high-dimensional data using random projections
利用随机投影分析高维数据变点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：摘要直接研究高维时间序列的变点检验与位置估计，属于结构变化和时间序列方法。
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
利用随机投影分析高维数据变点
- 研究问题
- 如何将高维时间序列中的单个变点识别转化为一维问题，并在利用现有检验工具时控制随机投影造成的位置估计波动？
- 方法与思路
- 作者多次将高维序列随机投影到一维，使用多重比较方法合并单变量检验结果，并建议重复程序后参考位置估计的众数。
- 材料陈述的贡献
- 摘要称，模拟中该方法倾向于改善检验尺寸、功效和定位精度，并通过澳大利亚温度数据展示单变点分析中的用途。
- 阅读关注点
- 应核对变点对应的分布特征、投影次数和检验合并规则，以及位置众数的构造、误差控制与模拟比较的具体基准。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；研究限于单变点，摘要未给出理论条件、具体数值或多变点扩展保证。
原文摘要
This paper develops a novel change point identification method for high-dimensional data using random projections. By projecting high-dimensional time series into a one-dimensional space, we are able to leverage the rich literature for univariate time series. We propose applying random projections multiple times and then combining the univariate test results using existing multiple comparison methods. Simulation results suggest that the proposed method tends to have better size and power, with more accurate location estimation. At the same time, random projections may introduce variability in the estimated locations. To enhance stability in practice, we recommend repeating the procedure, and using the mode of the estimated locations as a guide for the final change point estimate. An application to an Australian temperature dataset is presented. This study, though limited to the single change point setting, demonstrates the usefulness of random projections in change point analysis.