DUST: A Duality-Based Pruning Method For Exact Multiple Change-Point Detection
DUST：基于对偶性的精确多变点检测剪枝方法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中的多重变点及均方波动结构变化的检测算法。
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…
DUST：基于对偶性的精确多变点检测剪枝方法
- 研究问题
- 在大型时间序列的多变点检测中，如何保持惩罚似然优化的精确性，同时改善稀疏变点和多参数模型中的剪枝效率？
- 方法与思路
- 作者提出 DUST，以对偶函数与阈值的比较剔除候选变点，嵌入指数族模型的惩罚似然动态规划，并研究剪枝问题的强对偶性。
- 材料陈述的贡献
- 摘要称，该框架适用于任意参数维度，在温和条件下具有强对偶性；单参数情形兼具简单性与效率，非高斯模型尤其受益。
- 阅读关注点
- 应核对强对偶的具体条件、剪枝不会移除最优解的论证，以及惩罚设置、参数维度和变点稀疏程度如何影响计算成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未列出温和条件和运行时间，优化解精确也不等于真实变点被准确识别。
原文摘要
We tackle the challenge of detecting multiple change points in large time series by optimising a penalised likelihood derived from exponential family models. Dynamic programming algorithms can solve this task exactly with at most quadratic time complexity. In recent years, the development of pruning strategies has drastically improved their computational efficiency. However, the two existing approaches have notable limitations: PELT struggles with pruning efficiency in sparse-change scenarios, while FPOP's structure is not adapted to multi-parametric settings. To address these issues, we introduce the DUal Simple Test (DUST) framework, which prunes candidate changes by evaluating a dual function against a threshold. This approach is highly flexible and broadly applicable to parametric models of any dimension. Under mild assumptions, we establish strong duality for the underlying non-convex pruning problem. We demonstrate DUST's effectiveness across various change-point regimes and models. In particular, for one-parametric models, DUST matches the simplicity of PELT with the efficiency of FPOP. Its use is especially advantageous for non-Gaussian models. Finally, we apply DUST to mouse monitoring time series under a change-in-variance model, illustrating its ability to recover the optimal change-point structure efficiently.