Outlier detection in state-space models using mean-shift penalisation
利用均值偏移惩罚检测状态空间模型中的异常值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：摘要直接研究时间序列状态空间模型的稳健估计与异常检测。
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…
利用均值偏移惩罚检测状态空间模型中的异常值
- 研究问题
- 依赖高斯误差的状态空间模型遇到加性异常值时，如何同时检测异常时点并稳健估计模型参数，减少异常观测的影响？
- 方法与思路
- 作者提出 ROAMS，在观测方程每个时点加入偏移参数，通过惩罚被标记异常的时点数量，联合估计偏移与模型参数。
- 材料陈述的贡献
- 摘要称模拟和动物位置追踪数据中参数估计较传统及其他基准方法更可靠，并提供 BIC 曲线用于调参与异常结构诊断。
- 阅读关注点
- 应核对加性异常进入观测方程的方式、联合优化与惩罚选择，以及异常检测评价和参数稳健性相较基准的证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未说明理论保证或适用模型范围，观测加性异常的处理不自动覆盖其他污染类型。
原文摘要
State-space models (SSMs) provide a flexible framework for modelling time series data, but their reliance on Gaussian error assumptions makes them highly sensitive to outliers. We propose a robust estimation method, ROAMS, that mitigates the influence of additive outliers by introducing shift parameters at each timepoint in the observation equation of the SSM. These parameters allow the model to attribute non-zero shifts to outliers while leaving clean observations unaffected. ROAMS then enables automatic outlier detection, through the addition of a penalty term on the number of flagged outlying timepoints in the objective function, and simultaneous estimation of model parameters. We apply the method to robustly estimate SSMs on both simulated data and real-world animal location-tracking data, demonstrating its ability to produce more reliable parameter estimates than classical methods and other benchmark methods. In addition to improved robustness, ROAMS offers practical diagnostic tools, including BIC curves for selecting tuning parameters and visualising outlier structure. These features make our approach broadly useful for researchers and practitioners working with contaminated time series data.