Change-Point Detection Utilizing Normalized Entropy as a Fundamental Metric
以归一化熵为基础度量的变点检测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：摘要明确以复杂时间序列和分布变点检测为对象，因此对应时间序列与结构变化方法；未提供宏观经济数据应用的证据。
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…
关注这篇论文的作者
以归一化熵为基础度量的变点检测
- 研究问题
- 研究如何利用归一化熵识别复杂时间序列中的分布变化，减少传统熵方法对绝对尺度和数据分布设定的依赖。
- 方法与思路
- 作者把熵标准化到零至一区间，在滑动窗口中计算归一化熵，将变点检测转化为识别熵序列中的显著波动特征。
- 材料陈述的贡献
- 摘要报告不同分布与参数组合下变点附近的熵波动，并称波动时刻与真实变点的平均偏离仅为窗口大小的百分之二点四。
- 阅读关注点
- 应核对熵估计与归一化定义、窗口和显著特征选择规则，以及误报率、检测延迟和所报告平均偏离的计算方式。
- 阅读边界
- 这是 arXiv 预印本，无法据此确认同行评审或期刊接收；摘要未给出具体理论保证或检测阈值，所述偏离指标不能代表整体检测准确率。
原文摘要
This paper introduces a concept for change-point detection based on normalized entropy as a fundamental metric, aiming to overcome the dependence of traditional entropy methods on assumptions about data distribution and absolute scales. Normalized entropy maps entropy values to the [0,1] interval through standardization, accurately capturing relative changes in data complexity. By utilizing a sliding window to compute normalized entropy, this approach transforms the challenge of detecting change points in complex time series, arising from variations in scale, distribution, and diversity, into the task of identifying significant features within the normalized entropy sequence, thereby avoiding interference from parametric assumptions and effectively highlighting distributional shifts. Experimental results show that normalized entropy exhibits significant numerical fluctuation characteristics and patterns near change points across various distributions and parameter combinations. The average deviation between fluctuation moments and actual change points is only 2.4% of the sliding window size, demonstrating strong adaptability. This paper provides theoretical support for change-point detection in complex data environments and lays a methodological foundation for precise and automated detection based on normalized entropy as a fundamental metric.