Change-point Detection and Segmentation of Discrete Data using Bayesian Context Trees
利用贝叶斯上下文树检测离散数据变点并进行分段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：摘要明确对离散时间序列进行变点检测和分段建模，直接对应时间序列与结构变化。
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…
利用贝叶斯上下文树检测离散数据变点并进行分段
- 研究问题
- 如何对离散时间序列的分段变记忆马尔可夫结构进行贝叶斯建模，同时估计变点数量、位置及各段模型的不确定性？
- 方法与思路
- 作者以贝叶斯上下文树描述各段变记忆马尔可夫链，精确积分各段模型与参数，再通过蒙特卡洛采样推断变点数量和位置。
- 材料陈述的贡献
- 摘要称精确计算先验预测似然可支持直接采样变点后验，并低成本获取段内模型；模拟和应用表现不逊于所比较的方法。
- 阅读关注点
- 应核对分段与树结构先验、最大记忆限制、精确积分的适用条件，以及采样混合性、变点不确定性和计算成本比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明候选基准及具体性能差异，贝叶斯不确定性也依赖模型和先验。
原文摘要
A new Bayesian modelling framework is introduced for piece-wise homogeneous variable-memory Markov chains, along with a collection of effective algorithmic tools for change-point detection and segmentation of discrete time series. Building on the recently introduced Bayesian Context Trees (BCT) framework, the distributions of different segments in a discrete time series are described as variable-memory Markov chains. Inference for the presence and location of change-points is then performed via Markov chain Monte Carlo sampling. The key observation that facilitates effective sampling is that, using one of the BCT algorithms, the prior predictive likelihood of the data can be computed exactly, integrating out all the models and parameters in each segment. This makes it possible to sample directly from the posterior distribution of the number and location of the change-points, leading to accurate estimates and providing a natural quantitative measure of uncertainty in the results. Estimates of the actual model in each segment can also be obtained, at essentially no additional computational cost. Results on both simulated and real-world data indicate that the proposed methodology performs better than or as well as state-of-the-art techniques.