Quantum mutual information statistics for detecting dependence-structure change points in time series
用于检测时间序列依赖结构变点的量子互信息统计量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依赖结构变点、分段与序列依赖下的推断，对应时间序列和结构变化方法。
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
用于检测时间序列依赖结构变点的量子互信息统计量
- 研究问题
- 当多变量时间序列的边际分布持续漂移时，如何专门检测两分量之间依赖关系的变化，并避免将边际变化误判为依赖变化？
- 方法与思路
- 作者以秩的随机傅里叶特征构造密度算子及量子互信息，结合可分段成本、惩罚最优分割和置换校准完成检测。
- 材料陈述的贡献
- 摘要称给出置换校准、交换性诊断及加权卡方边界分布；模拟报告对非线性依赖变化的检验力改善，并分析韩国天气数据。
- 阅读关注点
- 应核对秩与特征的构造、置换及区块置换的有效条件、交换性诊断的适用范围，以及两阶段分段认证如何处理选择问题。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要中的检验力优势限于所述模拟，未说明全部设计及序列依赖下的具体条件。
原文摘要
Detecting when the dependence between two components of a multivariate time series changes, while the marginals drift freely, requires a dependence-specific statistic. We take the inferential object to be a density operator -- the trace-normalised second moment of unit-norm random Fourier features of ranks -- rather than a probability distribution. Partial traces recover the marginal operators exactly, so von Neumann entropies yield a quantum mutual information (QMI) statistic computed from prefix sums of small matrices, without density estimation, matrix inversion, or a tuned parameter. We develop the inference it needs: a segment-separable cost that drives penalised optimal partitioning, its split gain a Holevo information; finite-sample exact calibration by joint pair permutation, a block-permutation form for serially dependent series, and an exact, provably consistent exchangeability diagnostic that selects between them. We also prove a weighted chi-square boundary law, at the segment length and not its square root, for the rank-based statistic exactly as computed. In 500 replicates QMI detects nonlinear, correlation-free dependence changes with more power than the Hilbert-Schmidt independence criterion, distance correlation, Spearman, and empirical-copula statistics on the same ranks, by at least 15 percentage points wherever any statistic detects the change. Its false-alarm rate stays near nominal under marginal drift, where the empirical-copula statistic reaches 0.87. On eight years of hourly Korean weather observations, a two-stage segment-and-certify procedure finds dependence-change candidates above chance (five of 27 at p $\le$ 0.05 against 1.4 expected); stage two certifies one as a pure coupling change and reclassifies eight as marginal-driven.