Wasserstein-based identification of metastable states in time series data via change point detection and segment clustering
通过 Wasserstein 变点检测与分段聚类识别时间序列亚稳态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：摘要直接研究时间序列的变点检测、分段及分布状态变化。
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…
通过 Wasserstein 变点检测与分段聚类识别时间序列亚稳态
- 研究问题
- 如何在不指定分布参数形式的情况下，将多维时间序列分段并聚类，以识别过程分布中的亚稳态，同时控制计算成本？
- 方法与思路
- 作者借助一维最优运输成本的简便形式，利用估计的 Wasserstein 距离导数寻找变点，再按分段概率测度之间的距离聚类。
- 材料陈述的贡献
- 摘要称变点检测成本随数据规模及维度线性增长，在合成、分子动力学与水下声学轨迹中，分段后聚类能够识别分布亚稳态。
- 阅读关注点
- 应核对多维数据如何利用一维运输计算、变点阈值与聚类数量的选择，以及线性复杂度和亚稳态识别结论依赖的具体设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供检测误差或一致性条件，其非参数表述并不等于无需任何统计假设。
原文摘要
Change point detection for time series analysis is a difficult and important problem in applied statistics, for which a variety of approaches have been developed in the past several decades. Here, the Wasserstein metric is employed as a tool for change-point identification in multi-dimensional time series data in order to identify clusters in time series in an unsupervised way. We leverage the simplicity of the optimal transport cost in the 1-dimensional setting to quickly identify both a segmentation (family of change points for a trajectory) and a clustering for the data when the number of segments is much smaller than the number of data points, making no parametric assumptions about the particular distributions involved. Our change point detection method scales linearly in the size of the data and in the dimension of the samples. We test our approach on idealized synthetic data trajectories, as well as real world trajectories coming from the domain of molecular dynamics simulations and underwater acoustics. We find that segmenting these time series via change points obtained by estimating the Wasserstein metric derivative and then clustering the identified segments as measures with similarity measured by the Wasserstein metric, successfully identifies metastable states in the law of the processes.