Asymptotic distribution-free changepoint detection for data with repeated observations
含重复观测数据的渐近分布无关变点检测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：摘要研究通用序列的图扫描变点方法，动态网络仅为应用示例，未提供宏观结构变化或微观网络干扰的明确依据。
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
含重复观测数据的渐近分布无关变点检测
- 研究问题
- 基于观测相似图的非参数变点检测在序列包含重复值时如何处理图的不唯一性，并用于识别单个变点或发生变化的区间？
- 方法与思路
- 作者对重复观测产生的所有可能最优图取平均或并集，构造扩展图扫描方法，并推导用于控制第一类错误的解析公式。
- 材料陈述的贡献
- 摘要称，该扩展处理了重复观测带来的困难，覆盖单变点和区间变化两类备择，并提供动态网络示例及 gSeg 软件实现。
- 阅读关注点
- 应核对最优图与重复值的定义、平均和并集两种构造的差异，以及解析校准的渐近条件、误差控制范围和大样本计算方式。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断有限样本校准精度及检验功效；动态网络示例也不足以确立经济网络或宏观结构变化应用。
原文摘要
Summary A nonparametric framework for changepoint detection, based on scan statistics utilizing graphs that represent similarities among observations, is gaining attention owing to its flexibility and good performance for high-dimensional and non-Euclidean data sequences. However, this graph-based framework faces challenges when there are repeated observations in the sequence, which is often the case for discrete data such as network data. In this article we extend the graph-based framework to solve this problem by averaging or taking the union of all possible optimal graphs resulting from repeated observations. We consider both the single-changepoint alternative and the changed-interval alternative, and derive analytical formulas to control the Type I error for the new methods, making them readily applicable to large datasets. The extended methods are illustrated on an application in detecting changes in a sequence of dynamic networks over time. All proposed methods are implemented in an $\texttt{R}$ package $\texttt{gSeg}$ available on CRAN.