Detection of a Sparse Change in High-Dimensional Time Series
高维时间序列中稀疏变化的检测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：摘要明确研究高维时间序列中的稀疏变点与检测程序，因此对应结构变化和时间序列方向。
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…
关注这篇论文的作者
高维时间序列中稀疏变化的检测
- 研究问题
- 当高维时间序列只有少数分量发生变化，且分量之间存在一般协方差结构时，如何检测变点并控制检测错误？
- 方法与思路
- 作者在多元正态模型下构造基于稀疏性似然的评分和变点检测程序，并通过模拟及标普五百数据展示应用。
- 材料陈述的贡献
- 摘要称所提算法的错误概率上确界收敛于零，并提供模拟与金融数据示例，支持其对高维稀疏变化的检测能力。
- 阅读关注点
- 应核对稀疏程度、变化幅度、维度与样本量的关系，协方差是否已知，以及时间依赖和误差概率的具体定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未给出一致检测的具体条件、模拟数值或金融应用结论。
原文摘要
Consider the detection of a sparse change in high-dimensional time-series. We introduce Sparsity Likelihood-based (SL-based) score and the change-points detection procedure in multivariate normal model with general covariance structure. SL-based algorithm is proved to achieve that supremum of error probabilities converges to 0. We run the simulation studies for SL-based algorithm and also illustrate its applications to a S&P500 dataset.