Online multivariate changepoint detection: leveraging links with computational geometry
利用计算几何联系进行在线多元变点检测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。
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：摘要核心是多维序列的在线变点检测，直接对应结构变化方法，但未明确宏观经济应用。
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…
利用计算几何联系进行在线多元变点检测
- 研究问题
- 多维数据流中的在线变点检测如何降低似然比计算成本，并兼顾仅部分维度发生变化的稀疏情形及更高维数据？
- 方法与思路
- 作者利用计算几何构造单变点似然比的精确在线算法，扩展到稀疏变化，并提出二进分层变体及高维近似算法。
- 材料陈述的贡献
- 摘要称，分层变体在所述低维范围内具有可证明的准线性复杂度，并给出高斯情形的统计保证及经验数据和NBA数据示例。
- 阅读关注点
- 应核对精确算法与近似算法的维数限制、稀疏统计量的定义、高斯统计保证，以及理论复杂度和实际速度之间的差别。
- 阅读边界
- 仅据所给Crossref摘要；复杂度表达的指数排版不清，需查原PDF。主算法的准线性表现仅称“看起来如此”，不能视为已证明。
原文摘要
Abstract The increasing volume of data streams poses significant computational challenges for detecting changepoints online. Likelihood-based methods are effective, but a naive sequential implementation becomes impractical online due to high computational costs. We develop an online algorithm that exactly calculates the likelihood ratio test for a single changepoint in p-dimensional data streams by leveraging a fascinating connection with computational geometry. This connection straightforwardly allows us to exactly recover sparse likelihood ratio statistics: that is assuming only a subset of the dimensions are changing. Our algorithm is straightforward, fast, and apparently quasi-linear. A dyadic variant of our algorithm is provably quasi-linear, being O(nlog(n)p+1) for n data points and p less than 3, but slower in practice. These algorithms are computationally impractical when p is larger than 5, and we provide an approximate algorithm suitable for such p which is O(nplog(n)p~+1), for some user-specified p~≤5. We derive statistical guarantees for the proposed procedures in the Gaussian case, and confirm the good computational and statistical performance, and usefulness, of the algorithms on both empirical data and NBA data.