Pi-Change: A Prior-Informed Multiple Change Point Detection Algorithm
Pi-Change：融合先验信息的多变点检测算法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。
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：摘要明确研究序列中的多个变点与结构变化，并报告时间序列应用，对应结构变化和时间序列方法方向。
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
Pi-Change：融合先验信息的多变点检测算法
- 研究问题
- 如何将外部事件等信息形成的变点位置先验纳入多变点检测，同时保留高效计算，并评估错误先验对检测结果的影响？
- 方法与思路
- 作者用随时间变化的惩罚项编码位置先验，并证明可嵌入 PELT 框架，保留动态规划递推与剪枝规则，再开展模拟和时间序列应用。
- 材料陈述的贡献
- 摘要称该算法能抑制缺乏先验支持的伪变点、改善检测准确性，并在所研究场景中对先验误设稳健，可用于量化事件后的变化延迟。
- 阅读关注点
- 应核对先验到惩罚的映射、保持剪枝有效的条件、惩罚强度选择，以及误设先验、漏检变点与事件延迟的评估方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未给出误设范围、检测误差或复杂度边界，不能确认对任意错误先验都稳健。
原文摘要
Statistical change point (CP) detection methods typically rely on likelihood-based inference and ignore contextual information about plausible CP locations beyond the observed sequence. Although informative priors provide a natural way to incorporate such information, general and computationally efficient methods for doing so are lacking, especially for multiple CP detection. To address this gap, we propose a prior-informed CP detection algorithm (Pi-Change) that incorporates prior information on CP locations through a time-varying penalty term. We prove that the proposed penalty can be embedded in the Pruned Exact Linear Time framework while preserving the dynamic programming recursion and pruning rule required for efficient multiple CP detection. Across simulation studies and three time-series applications, Pi-Change discourages spurious CPs unsupported by prior information, remains robust to prior misspecification, and improves detection accuracy. More broadly, Pi-Change extends multiple CP detection beyond purely data-driven fitting by incorporating partial prior knowledge in a computationally efficient and interpretable way. It is particularly useful when CPs arise from heterogeneous mechanisms or are associated with known external events, helping quantify the delay between an event and the resulting structural change.