Computationally efficient segmentation for non-stationary time series with oscillatory patterns
振荡型非平稳时间序列的高效分段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：摘要直接研究多变量非平稳时间序列及其变化点定位，对应时间序列分析与结构变化两个方法方向。
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…
关注这篇论文的作者
振荡型非平稳时间序列的高效分段
- 研究问题
- 对于具有振荡模式的多变量非平稳时间序列，如何同时识别变化点和分段参数，并降低复杂模型推断的计算成本？
- 方法与思路
- 作者用未知频率和振幅的正弦函数之和描述各段，通过离散化参数空间转成傅里叶基线性模型，再使用分段算法。
- 材料陈述的贡献
- 摘要称方法避免跨维 MCMC，模拟中速度更快且数值精度相近，并给出变化点定位误差的高概率界及两类应用。
- 阅读关注点
- 核对频率网格和离散化误差、噪声与分段条件，以及定位误差界和计算比较是否充分考虑网格规模与调参成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未获核实；摘要未给出误差界的具体条件、速度提升幅度或适用的分段算法限制。
原文摘要
We propose a novel approach for change-point detection and parameter learning in multivariate non-stationary time series exhibiting oscillatory behaviour. We approximate the process through a piecewise function defined by a sum of sinusoidal functions with unknown frequencies and amplitudes plus noise. The inference for this model is non-trivial. However, discretising the parameter space allows us to recast this complex estimation problem into a more tractable linear model, where the covariates are Fourier basis functions. Then, any change-point detection algorithms for segmentation can be used. The advantage of our proposal is that it bypasses the need for trans-dimensional Markov chain Monte Carlo algorithms used by state-of-the-art methods. Through simulations, we demonstrate that our method is significantly faster than existing approaches while maintaining comparable numerical accuracy. We also provide high probability bounds on the change-point localization error. We apply our methodology to climate and EEG sleep data.