Offline Change Detection under Contamination
污染数据下的离线变点检测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：摘要直接研究污染时间序列中的多变点检测及定位一致性，对应时间序列和结构变化。
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
污染数据下的离线变点检测
- 研究问题
- 时间序列受到比 Huber 污染更一般的污染机制影响、且干净观测仅满足弱矩条件时，如何稳健地识别多个变点并保证定位一致性？
- 方法与思路
- 作者针对全部数据已到达的离线场景，利用基于影响函数的均值估计构造稳健扫描统计量，提出非参数多变点检测算法并分析一致性。
- 材料陈述的贡献
- 摘要称污染模型包含 Huber 情形，允许预先设定的任意污染，并在弱矩假设下证明变点位置估计一致性，辅以经验结果支持。
- 阅读关注点
- 核对污染机制的精确定义、污染比例与信号强度限制，以及最小分段长度、时间依赖和扫描阈值如何进入定位一致性的条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明弱矩阶数、污染上限和定位速率，不能理解为任意污染程度下都能检测。
原文摘要
In this work, we propose a non-parametric and robust change detection algorithm to detect multiple change points in time series data under contamination. The contamination model is sufficiently general, in that, the most common model used in the context of change detection -- Huber contamination model -- is a special case. Also, the contamination model is oblivious and arbitrary. The change detection algorithm is designed for the offline setting, where the objective is to detect changes when all data are received. We only make weak moment assumptions on the inliers (uncorrupted data) to handle a large class of distributions. The robust scan statistic in the algorithm is fashioned using mean estimators based on influence functions. We establish the consistency of the estimated change point indexes as the number of samples increases, and provide empirical evidence to support the consistency results.