Integral probability metric-guided CUSUM-Net for nonparametric changepoint detection
积分概率度量引导的 CUSUM-Net 非参数变点检测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：摘要明确以非参数分布变点检测和定位为核心，对应结构变化方法，但未指定宏观应用。
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…
积分概率度量引导的 CUSUM-Net 非参数变点检测
- 研究问题
- 面对高维且形式复杂的分布变化，如何学习有利于变点定位的低维表示，并为检测与定位误差提供理论保证？
- 方法与思路
- 作者用深度网络最大化候选变点上的聚合 CUSUM 目标，学习积分概率度量的判别函数，再对其一维表示执行 CUSUM 扫描。
- 材料陈述的贡献
- 摘要称，研究在 Hölder 光滑条件下给出判别函数的超额风险界和定位保证，低维流形结构可改善速率，并适配多种数据形态。
- 阅读关注点
- 应核对序列依赖、变点数量与间距等条件，网络复杂度与训练误差如何进入界，以及流形结构改善速率的具体要求。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明信号强度、序列依赖和训练条件，不能推断对任意高维变化都能可靠定位。
原文摘要
Abstract We propose CUSUM-Net, a nonparametric method for changepoint detection based on integral probability metrics and deep neural networks. Our approach learns a critic function by maximizing an aggregate CUSUM objective over candidate changepoints, thereby linking changepoint detection to optimization of two-sample integral probability metrics. The learned critic induces a one-dimensional representation on which changepoints are localized by a classical CUSUM scan. Unlike parametric procedures, CUSUM-Net accommodates complex, high-dimensional distributional changes and applies to a range of data modalities, including Euclidean data, symmetric positive-definite matrices, images and graphs. We establish excess-risk bounds for the learned critic under Hölder smoothness assumptions, with faster rates when the data exhibit low-dimensional manifold structure, and derive corresponding changepoint localization guarantees. Numerical experiments demonstrate the flexibility and effectiveness of the proposed method.