High-dimensional change-point detection under sparse alternatives
稀疏备择下的高维变点检测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。
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：摘要直接研究序列均值变化的变点检测、检测边界与稀疏适应性，对应结构变化方法，但没有指定宏观应用。
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
稀疏备择下的高维变点检测
- 研究问题
- 在高维高斯向量序列中，若均值变化只发生于未知的部分分量，如何检验是否存在变点并刻画不同统计情形的检测边界？
- 方法与思路
- 作者在维数趋于无穷、序列长度随维数增长的框架下构造假设检验，建立不同情形的检测边界并研究未知变化子集下的适应性。
- 材料陈述的贡献
- 摘要称检验无需知道哪些分量发生变化，仍可在广泛统计情形中自动适应并达到最优收敛率，同时给出检测边界。
- 阅读关注点
- 应核对高斯向量的协方差与跨期依赖设定、变化位置和稀疏度范围，以及检测边界与最优性分别采用何种比较标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；依赖条件和具体统计情形未列明，不能将自适应最优性推广至所有高维序列或变点定位。
原文摘要
We consider the problem of detecting a change in mean in a sequence of high-dimensional Gaussian vectors. The change in mean may be occurring simultaneously in an unknown subset components. We propose a hypothesis test to detect the presence of a change-point and establish the detection boundary in different regimes under the assumption that the dimension tends to infinity and the length of the sequence grows with the dimension. A remarkable feature of the proposed test is that it does not require any knowledge of the subset of components in which the change in mean is occurring and yet automatically adapts to yield optimal rates of convergence over a wide range of statistical regimes.