Local Level Dynamic Random Partition Models for Changepoint Detection
用于变点检测的局部水平动态随机分区模型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：摘要直接研究多变量时间序列的动态分区和变点检测，对应时间序列与结构变化；所述应用为传感器数据。
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…
用于变点检测的局部水平动态随机分区模型
- 研究问题
- 如何在复杂多变量时间序列中描述聚类结构随时间的演变，并在变点判断相互依赖时控制错误发现率？
- 方法与思路
- 作者构建状态方程描述潜在分区演变的模型，以马尔可夫结构连接相邻分区，结合非边际错误发现率控制和 Gibbs 抽样。
- 材料陈述的贡献
- 摘要称，该框架支持动态聚类、变点检测及多视图扩展，并在模拟与人体手势数据中展示效果；依赖感知规则提供更严格控制。
- 阅读关注点
- 核对分区转移机制、变点决策中的依赖定义、错误发现率控制条件，以及 Gibbs 算法和多视图扩展的具体实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出控制定理条件、计算复杂度及相对方法的具体比较结果。
原文摘要
Motivated by an increasing demand for models that can effectively describe features of complex multivariate time series, e.g. from sensor data in biomechanics, motion analysis, and sports science, we introduce a novel state-space modeling framework where the state equation encodes the evolution of latent partitions of the data over time. Building on the principles of dynamic linear models, our approach develops a random partition model capable of linking data partitions to previous ones over time, using a straightforward Markov structure that accounts for temporal persistence and facilitates changepoint detection. The selection of changepoints involves multiple dependent decisions, and we address this time-dependence by adopting a non-marginal false discovery rate control. This leads to a simple decision rule that ensures more stringent control of the false discovery rate compared to approaches that do not consider dependence. The method is efficiently implemented using a Gibbs sampling algorithm, leading to a straightforward approach compared to existing methods for dependent random partition models. Additionally, we show how the proposed method can be adapted to handle multiview clustering scenarios. Simulation studies and the analysis of a human gesture phase dataset collected through various sensing technologies show the effectiveness of the method in dynamically clustering multivariate time series and detecting changepoints.