Sequential change-point detection based on nearest neighbors
基于最近邻的序贯变点检测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：摘要明确研究在线序贯变点及全局结构变化检测，直接对应结构变化方法。
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
基于最近邻的序贯变点检测
- 研究问题
- 如何在线检测多元观测或非欧几里得对象序列中的变点，并为实际监控提供易于校准的停止规则？
- 方法与思路
- 作者利用最近邻信息构建检测框架，比较不同停止规则，为推荐规则推导平均运行长度的解析近似，并进行模拟和网络应用。
- 材料陈述的贡献
- 摘要称解析近似准确，所报告高维模拟表现优于似然方法，并以真实社会网络数据展示全局结构变化检测。
- 阅读关注点
- 应核对最近邻统计量和窗口设置、推荐规则的选择依据、平均运行长度近似条件，以及高维比较与网络应用的评估方式。
- 阅读边界
- 仅依据稿件版本未注明的OpenAlex索引摘要；未提供近似误差或模拟数值，高维优势限于所报告比较，网络应用不等于识别干扰效应。
原文摘要
We propose a new framework for the detection of change-points in online, sequential data analysis. The approach utilizes nearest neighbor information and can be applied to sequences of multivariate observations or non-Euclidean data objects, such as network data. Different stopping rules are explored, and one specific rule is recommended due to its desirable properties. An accurate analytic approximation of the average run length is derived for the recommended rule, making it an easy off-the-shelf approach for real multivariate/object sequential data monitoring applications. Simulations reveal that the new approach has better performance than likelihood-based approaches for high dimensional data. The new approach is illustrated through a real dataset in detecting global structural changes in social networks.