On-Line Inference for Multiple Changepoint Problems
多重变点问题的在线推断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：摘要直接研究多重变点数量、位置及在线分段，支持结构变化方法方向，但其明确应用为基因组序列，未提供宏观实证。
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
多重变点问题的在线推断
- 研究问题
- 如何在线推断变点的数量与位置，并在保留后验推断准确性的同时，降低多重变点模型随观测数量增长的计算成本？
- 方法与思路
- 作者先构造适用于一类变点模型的精确滤波算法，再引入粒子滤波重采样，以近似误差换取较低成本并设计新重采样方法。
- 材料陈述的贡献
- 摘要称精确算法成本为观测数的平方阶，近似算法降至线性阶；提出两种最优重采样方法，其中一种能自动选择粒子数。
- 阅读关注点
- 应核对可精确滤波的模型类别、重采样最优性的目标，以及误差与粒子数如何控制，并审查示例中的性能比较标准。
- 阅读边界
- 仅据所给 Crossref 摘要，不能推断其他版本变化；小误差及优于标准重采样的结论未给出量化范围，应用示例来自基因组分段。
原文摘要
Summary We propose an on-line algorithm for exact filtering of multiple changepoint problems. This algorithm enables simulation from the true joint posterior distribution of the number and position of the changepoints for a class of changepoint models. The computational cost of this exact algorithm is quadratic in the number of observations. We further show how resampling ideas from particle filters can be used to reduce the computational cost to linear in the number of observations, at the expense of introducing small errors, and we propose two new, optimum resampling algorithms for this problem. One, a version of rejection control, allows the particle filter to choose the number of particles that are required at each time step automatically. The new resampling algorithms substantially outperform standard resampling algorithms on examples that we consider; and we demonstrate how the resulting particle filter is practicable for segmentation of human G+C content.