Changepoint Detection As Model Selection: A General Framework
将变点检测视为模型选择：一个通用框架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：摘要的核心是结构变点检测，并明确处理时间序列的趋势、季节性和自回归依赖。
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…
将变点检测视为模型选择：一个通用框架
- 研究问题
- 如何将变点检测转化为模型选择，在趋势、季节性和序列相关等干扰因素存在时识别结构变化，并扩展至图像数据？
- 方法与思路
- 作者以 L0 模型选择为框架，提出迭代重加权融合 Lasso，通过自适应惩罚改善支撑集恢复并优化 BIC 等准则。
- 材料陈述的贡献
- 摘要称方法可处理趋势、季节性及自回归依赖，模拟和真实数据展示变点检测能力，并扩展至保留边缘的图像去噪与分割。
- 阅读关注点
- 应核对 L0 目标与迭代算法的关系、调参和收敛方式、变点定位的评价标准，以及时间序列和图像扩展各自的条件。
- 阅读边界
- 这是以 arXiv 预印本提供的学位论文，同行评审或期刊接收未经核实；摘要未说明理论保证，变点与事件吻合不能确立因果关系。
原文摘要
This dissertation presents a general framework for changepoint detection based on L0 model selection. The core method, Iteratively Reweighted Fused Lasso (IRFL), improves upon the generalized lasso by adaptively reweighting penalties to enhance support recovery and minimize criteria such as the Bayesian Information Criterion (BIC). The approach allows for flexible modeling of seasonal patterns, linear and quadratic trends, and autoregressive dependence in the presence of changepoints. Simulation studies demonstrate that IRFL achieves accurate changepoint detection across a wide range of challenging scenarios, including those involving nuisance factors such as trends, seasonal patterns, and serially correlated errors. The framework is further extended to image data, where it enables edge-preserving denoising and segmentation, with applications spanning medical imaging and high-throughput plant phenotyping. Applications to real-world data demonstrate IRFL's utility. In particular, analysis of the Mauna Loa CO2 time series reveals changepoints that align with volcanic eruptions and ENSO events, yielding a more accurate trend decomposition than ordinary least squares. Overall, IRFL provides a robust, extensible tool for detecting structural change in complex data.