Detecting Abrupt Changes in Sequential Pairwise Comparison Data
序贯成对比较数据中突变的检测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：摘要明确研究时间序列形式的成对比较数据和分段恒定参数的变点定位，因此选择结构变化与时间序列方向。
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…
序贯成对比较数据中突变的检测
- 研究问题
- 当成对比较结果随时间到达、对象的潜在排名发生突变时，如何在高维 Bradley–Terry–Luce 模型中定位未知变点？
- 方法与思路
- 作者设定模型参数分段恒定，提出基于动态规划的变点定位算法，并研究误差率与模型参数、变点间距及变化幅度的关系。
- 材料陈述的贡献
- 摘要称，所提算法能够一致估计未知变点位置，并给出显式依赖变化幅度和时间间距等因素的一致性速率，辅以数值和实例验证。
- 阅读关注点
- 应核对比较数据的生成与观测条件、高维参数约束、最小变点间距和变化幅度要求，以及动态规划的计算成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实。摘要未给出速率表达式、算法复杂度或实例细节，不能判断实际检测精度。
原文摘要
The Bradley-Terry-Luce (BTL) model is a classic and very popular statistical approach for eliciting a global ranking among a collection of items using pairwise comparison data. In applications in which the comparison outcomes are observed as a time series, it is often the case that data are non-stationary, in the sense that the true underlying ranking changes over time. In this paper we are concerned with localizing the change points in a high-dimensional BTL model with piece-wise constant parameters. We propose novel and practicable algorithms based on dynamic programming that can consistently estimate the unknown locations of the change points. We provide consistency rates for our methodology that depend explicitly on the model parameters, the temporal spacing between two consecutive change points and the magnitude of the change. We corroborate our findings with extensive numerical experiments and a real-life example.