Geometric-Based Pruning Rules For Change Point Detection in Multiple Independent Time Series
多条独立时间序列变点检测的几何剪枝规则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：摘要直接研究多条时间序列的多变点分段及动态规划剪枝，文本依据对应结构变化检测与时间序列方法。
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…
多条独立时间序列变点检测的几何剪枝规则
- 研究问题
- 对多条独立时间序列进行多变点检测时，如何保持最优分段的精确求解，同时减少动态规划的计算成本？
- 方法与思路
- 作者将函数剪枝推广至多条独立序列，用球与超矩形等几何形状构造规则，主要处理高斯情形并比较计算效率。
- 材料陈述的贡献
- 摘要称，在二至四维、变点相对较少的模拟情形中，部分规则明显快于不等式剪枝，且一些规则可扩展到指数族。
- 阅读关注点
- 应核对各剪枝规则保持精确性的证明、代价函数与独立性条件，以及维度和变点数量变化时的复杂度及实际耗时。
- 阅读边界
- 仅据 arXiv 预印本摘要解读，同行评审及期刊接收未经核实；低维模拟加速不能据此推广为任意维度的线性复杂度。
原文摘要
We consider the problem of detecting multiple changes in multiple independent time series. The search for the best segmentation can be expressed as a minimization problem over a given cost function. We focus on dynamic programming algorithms that solve this problem exactly. When the number of changes is proportional to data length, an inequality-based pruning rule encoded in the PELT algorithm leads to a linear time complexity. Another type of pruning, called functional pruning, gives a close-to-linear time complexity whatever the number of changes, but only for the analysis of univariate time series. We propose a few extensions of functional pruning for multiple independent time series based on the use of simple geometric shapes (balls and hyperrectangles). We focus on the Gaussian case, but some of our rules can be easily extended to the exponential family. In a simulation study we compare the computational efficiency of different geometric-based pruning rules. We show that for small dimensions (2, 3, 4) some of them ran significantly faster than inequality-based approaches in particular when the underlying number of changes is small compared to the data length.