Seeded binary segmentation: a general methodology for fast and optimal changepoint detection
种子二元分割：快速且最优的变点检测通用方法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。
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：摘要直接研究变点检测及高斯均值变化，对应结构变化方向，但未限定宏观应用。
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
种子二元分割：快速且最优的变点检测通用方法
- 研究问题
- 如何在大规模数据中快速检测多个变点，同时提高计算可复现性，并兼顾单变量与高维问题的估计表现？
- 方法与思路
- 作者构造确定性的种子区间，在各区间内搜索单个变点候选，再按具体问题采用适当的筛选规则确定最终变点。
- 材料陈述的贡献
- 摘要称，该方法呈现近线性运行时间；在单变量高斯均值变化模型中，配合适当筛选准则可达到渐近极小极大最优性。
- 阅读关注点
- 应核对种子区间的构造、候选筛选规则、最优性所需信号与间距条件，以及高维扩展的理论和计算适用范围。
- 阅读边界
- 仅据所给 Crossref 摘要；具体检测条件、复杂度口径及模拟数值未说明，不能把单变量最优性直接推广至所有高维问题。
原文摘要
Summary We propose seeded binary segmentation for large-scale changepoint detection problems. We construct a deterministic set of background intervals, called seeded intervals, in which single changepoint candidates are searched for. The final selection of changepoints based on these candidates can be done in various ways, adapted to the problem at hand. The method is thus easy to adapt to many changepoint problems, ranging from univariate to high dimensional. Compared to recently popular random background intervals, seeded intervals lead to reproducibility and much faster computations. For the univariate Gaussian change in mean set-up, the methodology is shown to be asymptotically minimax optimal when paired with appropriate selection criteria. We demonstrate near-linear runtimes and competitive finite sample estimation performance. Furthermore, we illustrate the versatility of our method in high-dimensional settings.