Choosing the Right Norm for Change Point Detection in Functional Data
函数型数据变点检测中的范数选择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：摘要直接研究函数型时间序列均值的变点检验与范数选择，属于时间序列和结构变化。
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
函数型数据变点检测中的范数选择
- 研究问题
- 检测函数型时间序列均值变点时，不同范数如何影响检验效能，采用 L¹ 范数能否改善广泛情形及稀疏变化下的表现？
- 方法与思路
- 作者提出基于 L¹ 范数的检验，研究经典与相关变化假设下的理论性质，并与 L² 和上确界范数比较及加入功效增强项。
- 材料陈述的贡献
- 摘要称 L¹ 方法在较广场景中具有较好表现，并提出针对稀疏备择的功效增强组件，以合成和真实数据展示方法。
- 阅读关注点
- 应核对相关变化假设的阈值定义、不同变化形状下的渐近比较，以及功效增强项是否保持检验水平和比较的公平性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未具体界定“较广场景”，不能将所述优势推广为所有备择下最优。
原文摘要
We consider the problem of detecting a change point in a sequence of mean functions from a functional time series. We propose an $L^1$ norm based methodology and establish its theoretical validity both for classical and for relevant hypotheses. We compare the proposed method with currently available methodology that is based on the $L^2$ and supremum norms. Additionally we investigate the asymptotic behaviour under the alternative for all three methods and showcase both theoretically and empirically that the $L^1$ norm achieves the best performance in a broad range of scenarios. We also propose a power enhancement component that improves the performance of the $L^1$ test against sparse alternatives. Finally we apply the proposed methodology to both synthetic and real data.