Online Change-Point Detection with Persistent Laplacian Features
基于持久拉普拉斯特征的在线变点检测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。
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：摘要直接研究高维时间序列的在线变点检测、状态变化与误报控制。
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
基于持久拉普拉斯特征的在线变点检测
- 研究问题
- 面对分布难建模、状态变化难刻画的高维非线性时间序列，如何利用拓扑与几何特征在线检测变点并控制误报和检测延迟？
- 方法与思路
- 作者将延迟嵌入滑动窗口转换为点云，提取持久 Betti 向量与拉普拉斯正谱，经岭白化投影生成分数，再输入 Page 累积和递推。
- 材料陈述的贡献
- 摘要称，有限支撑局部模型下预言机延迟上界与局部极小极大下界同阶，并给出弱依赖下代入分数的误报及预期延迟界。
- 阅读关注点
- 应核对有限支撑局部模型、白化分离度及弱依赖条件，以及第一阶段特征选择和阈值校准如何影响第二阶段在线监测。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。摘要未给出完整界限条件和实验数值，局部模型中的同阶结论不代表一般全局最优。
原文摘要
Online change-point detection in high-dimensional nonlinear time series faces two challenges. The underlying distributions are difficult to model, and state changes are difficult to characterize. We propose persistent Laplacian cumulative sum (PL-CUSUM) to address these challenges. PL-CUSUM maps delay-embedded sliding windows to point clouds. It extracts persistent Betti vectors and the positive spectra of persistent Laplacians from the same Vietoris-Rips filtration. A ridge-whitened projection converts these features into a scalar score. Page's CUSUM recursion then accumulates this score over time. The positive spectra capture within-scale connectivity and geometric information that persistent Betti vectors do not record. Under a finite-support local model, we prove that the oracle upper bound on detection delay and a local minimax lower bound have the same order. This common order is the logarithm of the average run length constraint divided by the squared ridge-whitened separation. We also establish finite-horizon false-alarm and expected-delay bounds for plug-in whitened scores under weak dependence within each state. The method has two phases. Phase I estimates the projection parameters, selects the feature configuration, and calibrates the control limit. Phase II updates the resulting CUSUM statistic online. Experiments on simulated and real monitoring data show stable false-alarm control and competitive detection performance.