False positive control in time series coincidence detection
时间序列事件巧合检测中的假阳性控制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：摘要研究通用时间序列检测，举例为天体物理和神经科学；没有宏观或金融应用依据，故不套用相应领域标签。
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…
时间序列事件巧合检测中的假阳性控制
- 研究问题
- 两条时间序列出现同时或近同时事件时，如何判断它们反映共同信号或同步性，还是仅由随机巧合产生？
- 方法与思路
- 作者研究随机平移一条数据流相对时间轴的方法，用平移生成偶然巧合的参照，并在允许序列内部依赖的条件下分析误报概率。
- 材料陈述的贡献
- 摘要称为时间平移方法建立有限样本假阳性控制保证，并以模拟和真实数据展示其在存在数据依赖时的表现。
- 阅读关注点
- 应核对零假设、允许的依赖结构、平移方式与边界处理，以及有限样本保证如何处理事件窗口和多个检测对象。
- 阅读边界
- 所据为 arXiv 预印本摘要，同行评审及期刊接收未核实；所谓弱假设及实际误报水平未说明，检测同步性不自动识别因果关系。
原文摘要
We study the problem of coincidence detection in time series data, where we aim to determine whether the appearance of simultaneous or near-simultaneous events in two time series is indicative of some shared underlying signal or synchronicity, or might simply be due to random chance. This problem arises across many applications, such as astrophysics (e.g., detecting astrophysical events such as gravitational waves, with two or more detectors) and neuroscience (e.g., detecting synchronous firing patterns between two or more neurons). In this work, we consider methods based on time-shifting, where the timeline of one data stream is randomly shifted relative to another, to mimic the types of coincidences that could occur by random chance. Our theoretical results establish rigorous finite-sample guarantees controlling the probability of false positives, under weak assumptions that allow for dependence within the time series data, providing reassurance that time-shifting methods are a reliable tool for inference in this setting. Empirical results with simulated and real data validate the strong performance of time-shifting methods in dependent-data settings.