Distribution-Free Online Change Detection for Low-Rank Images
低秩图像的分布无关在线变化检测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：文本聚焦低秩图像监测，未提供归入所列宏观、微观或金融细分的直接应用依据。
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
低秩图像的分布无关在线变化检测
- 研究问题
- 对于存在时间与空间依赖的低秩图像序列，如何在不指定具体边际参数分布的情况下，在线检测均值变化？
- 方法与思路
- 作者将图像表示为矩阵，利用受控状态均值矩阵的低秩结构构造 CUSUM 监测统计量，并分析平均运行长度。
- 材料陈述的贡献
- 摘要称方法允许变化前后的时空依赖与一般边际分布，并研究均值变化捕捉能力及运行长度随控制限的增长性质。
- 阅读关注点
- 应核对时间依赖与低秩假设、控制限校准、误报和检测延迟的衡量，以及模拟和真实图像实验的变化类型。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明具体依赖条件，分布无关也不代表无需结构假设。
原文摘要
We present a distribution-free CUSUM procedure designed for online change detection in a time series of low-rank images, particularly when the change causes a mean shift. We represent images as matrix data and allow for temporal dependence, in addition to inherent spatial dependence, before and after the change. The marginal distributions are assumed to be general, not limited to any specific parametric distribution. We propose new monitoring statistics that utilize the low-rank structure of the in-control mean matrix. Additionally, we study the properties of the proposed detection procedure, assessing whether the monitoring statistics effectively capture a mean shift and evaluating the rate of increase in the average run length relative to the control limit in both the in-control and out-of-control cases. The effectiveness of our procedure is demonstrated through simulated and real data experiments.