A note on Ritov's Bayes approach to the minimax property of the cusum procedure
Ritov 贝叶斯方法与 CUSUM 极小极大性质的连续时间札记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。
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：摘要直接研究连续时间过程中的未知变点与漂移变化，并关联序贯检测，因此结构变化是最直接对应的细分方向。
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
Ritov 贝叶斯方法与 CUSUM 极小极大性质的连续时间札记
- 研究问题
- 在布朗运动于未知时点后加入已知漂移的连续时间模型中，如何移植 Ritov 的贝叶斯构造并重述对应的变点检测问题？
- 方法与思路
- 作者在已知漂移幅度、未知变点的布朗运动模型中采用贝叶斯框架，将既有构造转入连续时间并化为广义停车问题。
- 材料陈述的贡献
- 摘要称相应贝叶斯问题可约化为广义停车问题；虽然题名涉及 CUSUM 极小极大性质，摘要未具体陈述该性质的证明结果。
- 阅读关注点
- 核对变点先验、误报代价、检测延迟与停止规则，明确广义停车问题的含义，以及该约化如何关联 CUSUM 最优性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；先验、损失和最优性条件未说明，不能仅凭题名声称证明了所有 CUSUM 极小极大结论。
原文摘要
We consider, in a Bayesian framework, the model $W_t = B_t + \theta (t - \nu)^+$, where B is a standard Brownian motion, $\theta$ is arbitrary but known and $\nu$ is the unknown change-point. We transfer the construction of Ritov to this continuous time setup and show that the corresponding Bayes problems can be reduced to generalized parking problems.