Multiple Change Point Detection in the Mean and Covariance of High-Dimensional Matrix Time Series
高维矩阵时间序列均值与协方差的多重变点检测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。
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：摘要明确研究矩阵时间序列的多重结构变化，并以因子模型刻画共同成分。
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
高维矩阵时间序列均值与协方差的多重变点检测
- 研究问题
- 如何同时检测高维矩阵时间序列均值和协方差的多个变化，并允许两类变化发生在不同时间且具有较大幅度？
- 方法与思路
- 作者扩展主效应因子模型，用趋势平稳主效应和因子共同成分分别描述两类变化，再以移动和统计量检测与定位。
- 材料陈述的贡献
- 摘要称该框架可区分两类变化而避免彼此掩盖，提供行列归属解释，并在允许时间与截面依赖的条件下给出理论保证。
- 阅读关注点
- 应核对两类变化可分辨的条件、因子估计误差、变点间距与信号要求，以及检测定位保证和行列归属规则。
- 阅读边界
- 依据 arXiv v1 预印本摘要，不能据此声称已经同行评审或期刊接收；正则条件与实验细节未给出，不应推广适用保证。
原文摘要
This paper studies simultaneous change point detection in the first- and second-order structures of high-dimensional matrix-valued time series. Specifically, we extend the framework of main effect factor models to accommodate multiple change points so that shifts in the mean and covariance structures are characterized by changes in the trend-stationary main effects main effects and in the factor-driven common components, respectively. Under this framework, the two types of changes are not necessarily aligned and can be arbitrarily large without masking the effects of each other, and each of the detected change points is identified either with the row or column categorizations which improves their interpretability. We propose a unified procedure based on moving-sum statistics to detect and localize both types of changes. Under general regularity conditions that allow for temporal and cross-sectional dependence, we derive detection and localization guarantees for the proposed method. The finite-sample performance of the method is demonstrated through extensive experiments, and its practical usefulness is illustrated by a real data application to New York City Yellow Taxi trip records.