Network Modeling of Asynchronous Change-Points in Multivariate Time Series
多变量时间序列中异步变点的网络建模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：摘要直接研究多变量时间序列的异步变点与跨序列动态依赖，对应结构变化检测和时间序列建模方向。
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
多变量时间序列中异步变点的网络建模
- 研究问题
- 当同一潜在事件使不同序列先后发生变化时，如何识别异步变点，并学习序列之间带有短时延迟的领先与滞后关系？
- 方法与思路
- 作者使用潜在有向图表示变点的领先滞后依赖，以层级先验学习图结构和参数，并改造单变量变点问题的粒子 MCMC 方法。
- 材料陈述的贡献
- 摘要称方法在序列间变点位置相关的模拟场景中优于比较方法，并在地震和神经数据应用中恢复具有解释性的网络结构。
- 阅读关注点
- 应核对延迟范围与图结构约束、潜在事件和边的统计含义，以及粒子推断的近似误差、比较方法和异步变点识别标准。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明完整模型条件，领先滞后网络也不能直接解释为因果网络。
原文摘要
This article introduces a novel Bayesian method for asynchronous change-point detection in multivariate time series. This method allows for change-points to occur earlier in some (leading) series followed, after a short delay, by change-points in some other (lagging) series. Such dynamic dependence structure is common in fields such as seismology and neurology where a latent event such as an earthquake or seizure causes certain sensors to register change-points before others. We model these lead-lag dependencies via a latent directed graph and provide a hierarchical prior for learning the graph's structure and parameters. Posterior inference is made tractable by modifying particle MCMC methods designed for univariate change-point problems. We apply our method to both simulated and real datasets from the fields of seismology and neurology. In the simulated data, we find that our method outperforms competing methods in settings where the change-point locations are dependent across series. In the real data applications we show that our model can also uncover interpretable network structure.