Change Point Detection with Conceptors
利用 Conceptor 矩阵检测变点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：摘要直接研究非线性依赖时间序列的离线单变点及稀疏多变点检测。
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
利用 Conceptor 矩阵检测变点
- 研究问题
- 在具有非线性时间依赖且模型结构未知的序列中，如何离线定位动态机制变化，并在变化足够稀疏时扩展到多个变点？
- 方法与思路
- 作者用回声状态网络提取特征，以 Conceptor 矩阵学习基准窗口动态，依据特征与基准状态的关系检测变化并进行分块自助法。
- 材料陈述的贡献
- 摘要称在一定条件下变点估计一致，可通过移动分块自助法估计分位数，并展示模拟、神经数据应用及稀疏多变点扩展。
- 阅读关注点
- 应核对基准窗口是否无变化、特征提取和一致性条件，以及自助法分位数的目标、多变点间距要求与误报控制。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未列明所谓温和条件，允许灵活依赖结构不意味着对任意序列均有效。
原文摘要
Offline change point detection retrospectively locates change points in a time series. Many nonparametric methods that target i.i.d. mean and variance changes fail in the presence of nonlinear temporal dependence, and model based methods require a known, rigid structure. For the at most one change point problem, we propose use of a conceptor matrix to learn the characteristic dynamics of a baseline training window with arbitrary dependence structure. The associated echo state network acts as a featurizer of the data, and change points are identified from the nature of the interactions between the features and their relationship to the baseline state. This model agnostic method can suggest potential locations of interest that warrant further study. We prove that, under mild assumptions, the method provides a consistent estimate of the true change point, and quantile estimates are produced via a moving block bootstrap of the original data. The method is evaluated with clustering metrics and Type 1 error control on simulated data, and applied to publicly available neural data from rats experiencing bouts of non-REM sleep prior to exploration of a radial maze. With sufficient spacing, the framework provides a simple extension to the sparse, multiple change point problem.