High-Dimensional, Multiscale Online Changepoint Detection
高维多尺度在线变点检测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：摘要明确研究数据流均值变点及检测延迟，直接对应结构变化方法，但未提供宏观应用证据。
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…
高维多尺度在线变点检测
- 研究问题
- 如何在高维高斯数据流中及时检测均值变化，同时控制无变化时的平均报警等待时间，并适应均值变化的稀疏程度？
- 方法与思路
- 作者在各坐标针对不同尺度的简单备择进行似然比检验，再跨尺度与坐标汇总统计量，构造每次更新成本不随历史长度增长的算法。
- 材料陈述的贡献
- 摘要称无变化时平均运行长度至少达到目标水平，并给出依赖变化稀疏度的延迟保证；另有模拟、R 包和地震数据示例。
- 阅读关注点
- 应核对数据流的依赖与协方差条件、阈值校准、尺度汇总规则，以及延迟界和计算成本如何随维数及稀疏度变化。
- 阅读边界
- 仅据所给 Crossref 摘要；理论条件和数值结果未说明，不能推断对非高斯或一般相关数据流具有相同保证。
原文摘要
Abstract We introduce a new method for high-dimensional, online changepoint detection in settings where a p-variate Gaussian data stream may undergo a change in mean. The procedure works by performing likelihood ratio tests against simple alternatives of different scales in each coordinate, and then aggregating test statistics across scales and coordinates. The algorithm is online in the sense that both its storage requirements and worst-case computational complexity per new observation are independent of the number of previous observations; in practice, it may even be significantly faster than this. We prove that the patience, or average run length under the null, of our procedure is at least at the desired nominal level, and provide guarantees on its response delay under the alternative that depend on the sparsity of the vector of mean change. Simulations confirm the practical effectiveness of our proposal, which is implemented in the R package ocd, and we also demonstrate its utility on a seismology data set.