Wild binary segmentation for multiple change-point detection
用于多重变点检测的随机二元分割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：摘要明确研究多重变点的数量、位置及一致性估计，直接对应结构变化方法，其适用数据并未限定为宏观序列。
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
用于多重变点检测的随机二元分割
- 研究问题
- 当变点数量随样本量增长、变点间距较短或跳跃幅度较小时，如何一致估计多个变点的数量与位置？
- 方法与思路
- 作者提出 WBS，以随机局部化机制开展二元分割，并采用阈值或强化 Schwarz 信息准则作为停止标准。
- 材料陈述的贡献
- 摘要称 WBS 无须选择窗口或跨度参数，具有一致性结果；另改进标准二元分割的收敛速率证明，并报告实践比较。
- 阅读关注点
- 应核对最小间距、跳跃幅度与噪声条件，随机区间数量和停止参数的作用，以及标准分割与 WBS 的速率比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；短间距和小跳跃的允许范围未给出，不能理解为任意微弱变点都能检出。
原文摘要
We propose a new technique, called wild binary segmentation (WBS), for consistent estimation of the number and locations of multiple change-points in data. We assume that the number of change-points can increase to infinity with the sample size. Due to a certain random localisation mechanism, WBS works even for very short spacings between the change-points and/or very small jump magnitudes, unlike standard binary segmentation. On the other hand, despite its use of localisation, WBS does not require the choice of a window or span parameter, and does not lead to a significant increase in computational complexity. WBS is also easy to code. We propose two stopping criteria for WBS: one based on thresholding and the other based on what we term the ‘strengthened Schwarz information criterion’. We provide default recommended values of the parameters of the procedure and show that it offers very good practical performance in comparison with the state of the art. The WBS methodology is implemented in the R package wbs, available on CRAN. In addition, we provide a new proof of consistency of binary segmentation with improved rates of convergence, as well as a corresponding result for WBS.