Online detection of distributional changes for time series in metric spaces
度量空间时间序列的在线分布变化检测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：摘要直接研究序列依赖数据的在线分布变化、监控运行长度与误报控制，因此对应时间序列和结构变化方向。
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…
度量空间时间序列的在线分布变化检测
- 研究问题
- 当序列观测存在时间依赖且取值为曲线、网络等度量空间对象时，如何在线检测分布变化并控制有限或无限监控中的误报？
- 方法与思路
- 作者基于两样本 U 统计量构造能量距离与 MMD 的序贯版本，借助依赖数据核矩阵的谱近似进行 Monte Carlo 校准。
- 材料陈述的贡献
- 摘要称刻画零假设下完整渐近运行长度分布并控制误报，提出灵活窗口设计，模拟显示多类序列下校准可靠且检测延迟较短。
- 阅读关注点
- 全文应核对时间依赖与核函数条件、监控阈值校准、历史基线要求，以及不同窗口对早期和晚期变化的检测延迟影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出完整依赖条件，较短延迟也仅是所述比较范围内的结果。
原文摘要
We propose an online testing framework for detecting distributional changes in serially dependent data with values in a separable metric space. Based on two-sample $U$-statistics, the framework encompasses sequential analogs of energy distance and maximum mean discrepancy (MMD) procedures while accommodating temporal dependence. We establish asymptotic theory for finite and open-ended monitoring horizons that characterizes the full asymptotic run-length distribution under $H_0$ and yields asymptotic false-alarm control. We further establish new spectral approximation results for kernel matrices formed from serially dependent observations, and use them to construct a feasible Monte Carlo calibration procedure. Our flexible window construction encompasses classical, Page-type, and full-scan historical-baseline monitoring and can achieve short detection delays for both early and late changepoints, without requiring sub-Gaussianity or high-order moments of the raw observations. Simulations show reliable false-alarm control across linear, nonlinear, high-dimensional, and functional time-series models and further demonstrate that, over a broad range of alternatives and changepoint locations, the proposed method can achieve substantially shorter delays than recent procedures designed specifically for rapid detection. Applications to foreign exchange rates, electricity-market curves, and daily air transportation networks illustrate the methodology across scalar, functional, and network-valued time series.