Inferring Change Points in Regression via Sample Weighting
通过样本加权推断回归中的变点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：摘要主题为高维回归模型中的变点识别，与“结构变化”这一细分方向在文本上直接对应；其余候选细分未在摘要中出现明确依据。
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
通过样本加权推断回归中的变点
- 研究问题
- 摘要称，研究的是高维广义线性模型中识别变点的问题，即如何从数据中定位模型参数发生变化的点。
- 方法与思路
- 作者提出 Weighted ERM：通过对每个样本赋予权重，把关于变点的先验编码进加权经验风险最小化，从而得到 M 估计、极大似然估计等标准估计量的加权版本；在高维极限下给出一般高斯设计下性能的渐近刻画，并据此构造变点的后验分布。
- 材料陈述的贡献
- 摘要称，方法在样本量与协变量维度成比例增长的高维极限下给出精确的渐近性能刻画，并说明如何用该刻画高效构造变点后验分布；模拟与真实数据实验显示，用弱信息先验构造的样本权重可得到较准确的变点估计，且方法以开源包 weightederm 在 Python 和 R 中实现。
- 阅读关注点
- 阅读全文时应核对：变点先验如何具体转化为样本权重、渐近刻画所依赖的假设条件、后验分布构造的计算可行性，以及模拟与真实数据实验的设定和对比基准是否支持摘要中的表述。
- 阅读边界
- 仅凭摘要无法判断假设是否成立、渐近结果的实际有限样本表现、与既有方法的比较是否公平，也无法核实开源包的具体功能；摘要未说明真实数据的来源与规模。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We study the problem of identifying change points in high-dimensional generalized linear models, and propose an approach based on sample-weighted empirical risk minimization. Our method, Weighted ERM, encodes priors on the change points via weights assigned to each sample, to obtain weighted versions of standard estimators such as M-estimators and maximum-likelihood estimators. Under mild assumptions on the data, we obtain a precise asymptotic characterization of the performance of our method for general Gaussian designs, in the high-dimensional limit where the number of samples and covariate dimension grow proportionally. We show how this characterization can be used to efficiently construct a posterior distribution over change points. Numerical experiments on both simulated and real data illustrate the efficacy of Weighted ERM compared to existing approaches, demonstrating that sample weights constructed with weakly informative priors can yield accurate change point estimators. Our method is implemented as an open-source package, weightederm, available in Python and R.