Online Change-Point Monitoring for Object-valued Time Series
对象值时间序列的在线变点监测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：摘要明确研究对象值时间序列的在线边际分布变点与监测极限，直接对应时间序列和结构变化方法方向。
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
对象值时间序列的在线变点监测
- 研究问题
- 对于观测值为分布、图或其他对象的时间序列，如何在有限或无限监测期中在线发现边际分布变化，并控制时序依赖的影响？
- 方法与思路
- 作者结合距离型 Hilbert 空间嵌入、随监测时间变化的投影和自标准化，仅依赖成对距离计算，并为无限期监测设置增长权重。
- 材料陈述的贡献
- 摘要称两类程序具有枢轴极限、递归更新及固定变化下的一致性，保留线性与二次信号的局部检测边界，并提供多类对象应用。
- 阅读关注点
- 应核对距离与嵌入条件、弱时序依赖要求、无限期权重及尾部控制，并区分线性和二次投影各自能够检测的变化。
- 阅读边界
- 所给版本为预印本，不能据此确认同行评审或期刊接收；摘要未说明完整适用条件，边际变化监测不等于检测所有依赖变化。
原文摘要
We develop closed- and open-end procedures for monitoring changes in the marginal distribution of object-valued time series. The method combines two distance-based Hilbert-space embeddings, a monitoring-time-dependent projection, and self-normalization. It is computable entirely from pairwise distances, does not require long-run variance estimation, and admits exact recursive updates. Under weak temporal dependence, the closed-end null limit is a pivotal Brownian functional. For monitoring over an unbounded horizon, we introduce a growing monitoring-time weight, establish a maximal inequality and uniform remote-tail control, and derive an open-end pivotal limit together with an equivalent fixed-interval representation for critical-value simulation. Both procedures are consistent against fixed marginal changes and retain the $n^{-1/2}$ and $n^{-1/4}$ local detection boundaries associated with the linear and quadratic projection signals. Simulations with distribution-valued time series illustrate favorable numerical properties, and an application to monthly stock-return distributions illustrates the usefulness of our procedure. Further simulations with graph-valued time series and an application to spatial point processes of seismic activity are reported in the supplementary material.