Efficient sparsity adaptive changepoint estimation
计算高效且适应稀疏性的变点估计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中的变点数量与位置估计。
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…
计算高效且适应稀疏性的变点估计
- 研究问题
- 在高维序列中，变化可能只发生于未知的一部分分量时，如何兼顾不同稀疏程度，准确估计变点数量与位置并控制计算成本？
- 方法与思路
- 作者提出适应变化子集稀疏程度的变点估计方法，在高斯序列假设下建立数量与位置估计保证，并通过数值研究和水电站传感器数据演示。
- 材料陈述的贡献
- 摘要称方法在各类稀疏程度下具有给定误差率的估计保证，计算复杂度对序列长度与维数近似线性，并提供高效 R 实现。
- 阅读关注点
- 应核对所称最小条件中的变化幅度、间距及依赖限制，误差率的定义，以及不同稀疏程度下理论保证与计算复杂度的适用范围。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核验；摘要未列出具体理论条件和数值结果，不能外推至任意非高斯或相关序列。
原文摘要
We propose a new, computationally efficient, sparsity adaptive changepoint estimator for detecting changes in unknown subsets of a high-dimensional data sequence. Assuming the data sequence is Gaussian, we prove that the new method successfully estimates the number and locations of changepoints with a given error rate and under minimal conditions, for all sparsities of the changing subset. Moreover, our method has computational complexity linear up to logarithmic factors in both the length and number of time series, making it applicable to large data sets. Through extensive numerical studies we show that the new methodology is highly competitive in terms of both estimation accuracy and computational cost. The practical usefulness of the method is illustrated by analysing sensor data from a hydro power plant. An efficient R implementation is available.