Detecting abrupt changes of the long-range dependence or the self-similarity of a Gaussian process
本文证明了对于高斯过程的一个样本，长程相关或自相似参数突变的$m$时刻（$m$已知）的估计满足一个极限定理，并具有显式的收敛速度.在每个假设参数不变的估计区域内，建立了参数（长程相关、自相似）估计的中心极限定理，并建立了拟合优度检验. { \it引用这篇文章：J.M.巴尔代岛卡门角R. Acad. Sci. Paris，Ser. I 340（2007）.}
2008-04-28 math.ST stat.TH
A Robust Topological Framework for Detecting Regime Changes in Multi-Trial Experiments with Application to Predictive Maintenance
KAUST, Statistics Program（阿卜杜拉国王科技大学，统计学项目）；Aix Marseille Univ, CNRS, I2M（艾克斯-马赛大学，法国国家科学研究中心，马塞尔数学研究所）
本文提出了一种稳健的拓扑框架，用于检测多试验实验中的制度变化，并在预测性维护中展示了其有效性。
2024-10-27 stat.ME
Detecting possibly frequent change-points: Wild Binary Segmentation 2 and steepest-drop model selection
许多现有的用于检测数据序列中的多个变化点的过程在频繁变化点场景中失败。本文提出了一种新的变点检测方法，旨在工作以及在罕见和频繁的变点设置。它由两个成分组成：一个是“野生二进制分割2”（WBS2），一个递归算法，用于产生我们所说的“完整”的解决方案路径的变化点检测问题，即一个序列的估计嵌套模型包含$0, \ldots, T-1$变化点，其中$T$是数据长度。另一个要素是新的模型选择程序，称为“最陡降至低水平”（SDLL）。SDLL准则作用于WBS2解决方案路径，并且与许多现有的变点问题的模型选择程序不同，它不是基于惩罚的，并且仅使用阈值作为某种离散的二次检查。由此产生的WBS2.SDLL程序，结合这两种成分，被证明是一致的，并显着优于竞争中的频繁变化点的情况下测试。WBS2.SDLL速度快，易于编码，不需要选择窗口或跨度参数。
2020-02-24 stat.ME
Privately detecting changes in unknown distributions
Georgia Institute of Technology（佐治亚理工学院）；Santa Clara University（圣克拉拉大学）；Stanford Graduate School of Business（斯坦福商学院）；University of Richmond（里士满大学）；Simons Institute for the Theory of Computing（西蒙斯计算理论研究所）
变点检测问题旨在识别数据流中的分布变化。变点检测工具越来越多地应用于数据可能高度敏感且需要正式隐私保证的环境中，例如根据医院记录识别疾病爆发，或物联网设备检测家中活动。差分隐私已经成为一种强大的技术，可以在进行数据分析的同时防止个人信息泄露。许多以前的工作变点检测-包括唯一的私人算法，这个问题-需要完整的知识的变化前和变化后的分布。然而，这种假设对于许多感兴趣的实际应用是不现实的。这项工作的差异私人算法解决变点问题时，数据分布是未知的。此外，数据可以从随时间平滑变化的分布中采样，而不是固定的变化前和变化后分布。我们应用我们的算法来检测这些数据流的线性趋势的变化。最后，我们还提供了实验结果，以经验验证我们的算法的性能。
2020-02-14 cs.DS cs.LG math.ST
Detecting changes in the fluctuations of a Gaussian process and an application to heartbeat time series
本文的目的是首先检测多个突然变化的长程相关性（分别自相似性，局部分形）参数从一个样本的高斯平稳时间序列（分别为时间序列，连续时间过程具有固定增量）。证明了$m$变化时刻的估计量（假设个数$m$已知）满足极限定理，并具有显式的收敛速度.此外，一个中心极限定理建立的每个长期相关（分别自相似，局部分形）参数的估计。最后，拟合优度测试也建立在每个时域不变，并证明渐近遵循一个Khi平方分布。这些统计数据应用于马拉松运动员的心率数据，并得出有趣的结论。
2007-12-07 math.ST stat.TH
Detecting Changes in Production Frontiers
City University of Hong Kong（香港城市大学）；London School of Economics and Political Science（伦敦政治经济学院）；Federal University of Rio Grande do Sul（南里奥格兰德联邦大学）
本文研究在给定时间有序输入输出序列时，如何估计技术水平变化的时间点。通过非参数前沿分析方法，开发了能够达到最小化定位率的离线变化点检测程序，并提供了构造置信区间的简单方法，还介绍了如何适应局部技术变化。
2026-04-28 stat.ME
Detecting change regions on spheres
London School of Economics and Political Science（伦敦政治经济学院）
本文提出CRISP估计器，用于在球面上信号加噪声模型的均值函数中定位变化区域，通过VC维分析其收敛速度，并通过模拟和实际数据验证其有效性。
2026-03-23 math.ST stat.ME stat.TH
Node Alertness-Detecting changes in rapidly evolving graphs
HoloMathics, LLC（HoloMathics有限责任公司）；Tylor Data Services, LLC（泰勒数据服务有限责任公司）
在这篇文章中，我们描述了一种新的方法来检测快速发展的大规模图的变化。所涉及的关键概念是本地警觉性：节点在每个时间步监控其社区内的变化。在这里，我们提出了一个金融本地警觉性的应用程序，协整股票对
2019-07-02 cs.DC cs.LG cs.SI
Online change-point detection for a transient change
我们考虑一个流行的在线变点问题，检测i.i.d.分布的瞬态变化。随机变量。针对这一变点问题，给出了几种变点求解方法，并对其中一种方法的一些先进结果进行了综述。提供了一些新的近似的平均游程长度虚警和功率的这些程序用于检测一个正常的随机变量序列的平均值的瞬态变化进行了比较。
2021-04-06 math.ST stat.TH
Detecting changes in the mean of spatial random fields on a regular grid
TU Dortmund University（多特蒙德工业大学）
研究规则网格上空间随机场均值变化检测，扩展时间序列块方法引入两个检验统计量，推导基于方差统计量的性质，针对空间依赖性改进程序，经模拟验证其有效性，在卫星图像应用中能可靠检测森林砍伐区域。
2026-07-14 stat.ME
Persistence-Based Statistics for Detecting Structural Changes in High-Dimensional Point Clouds
Faculty of Information Science, Shunan University（周南大学信息科学系）
本文提出了一种基于持续性的非参数方法，用于检测高维点云中的结构变化，通过持续性景观和詹森-香农散度构建统计量，并证明其稳定性与适用性。
2025-12-28 math.AT math.PR math.ST
Detecting Multiple Change Points in Distributional Sequences Derived from Structural Health Monitoring Data: An Application to Bridge Damage Detection
提出基于Wasserstein空间和Fréchet统计量的MOSUM分布变点检测方法，用于结构健康监测中的桥梁损伤检测，模拟和实测数据验证其有效性。
2024-03-20 stat.AP stat.ME
Detecting breaks in the dependence of multivariate extreme-value distributions
在环境科学中，评估极端测量值之间的相关性在观测期间是否发生了变化往往是令人感兴趣的。这项工作的目的是提出一个统计测试，是特别敏感的这种变化。由此产生的过程还被扩展到允许在边缘分布中存在已知突变的情况下检测极值依赖性的变化。模拟进行研究的两个版本的建议测试的有限样本的行为。水文数据集的插图结束了这项工作。
2015-05-05 stat.ME
Detecting Overlapping Temporal Community Structure in Time-Evolving Networks
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Raytheon BBN Technologies（雷神BBN技术公司）
我们提出了一个原则性的方法来检测重叠的时间社区结构的动态网络。我们的方法是基于以下框架：找到重叠的时间社区结构，最大化的质量函数与网络的每个快照的时间平滑约束。提出了一种新的质量函数和光滑性约束来处理重叠，并使用一种新的凸松弛来解决由此产生的组合优化问题。我们提供了理论保证以及实验结果，揭示了真实和合成网络中的社区结构。我们的主要观点是，某些结构可以确定只有当时间相关性被认为是当社区被允许重叠。一般来说，发现这种重叠的时间社区结构可以通过揭示其看似混乱的演化背后的潜在稳定性来增强我们对现实世界复杂网络的理解。
2013-03-28 cs.LG cs.SI physics.soc-ph
Blind Men and the Elephant: Detecting Evolving Groups In Social News
我们提出了一个自动化和无监督的方法，一个新的总结的群体行为的基础上的内容偏好。我们表明，图论社区进化（基于用户对内容的偏好相似性）是有效的索引这些动态。结合针对每个社区自动识别的代表性内容的文本分析，我们的方法产生了一种新的多层表示不断发展的群体行为。我们展示了这种方法的背景下，政治话语的社会新闻网站的数据，跨越四年多的时间，并发现共存的政治倾向在较长的时间和破坏性的外部事件，导致现有模式的重大重组。最后，在不存在地面真相，我们提出了一个新的评估方法，通过使用熵的措施作为证据的连贯性沿这些群体的演化路径。这种方法对于需要对用户活动进行粒度分析的在线论坛的设计者和管理者以及希望将查询扩展到网络上可用的大规模数据的社会和政治科学研究人员来说是有价值的。
2013-11-02 cs.IR cs.SI physics.soc-ph
Size Agnostic Change Point Detection Framework for Evolving Networks
观察到的社会和复杂网络结构的变化可以表明组织中的重大潜在变化，或者反映网络对外部事件的反应。自动检测演化网络中的变点是研究和理解此类事件对网络影响的基础。在这里，我们提出了一个易于实现和快速的框架，在时间演化网络的变化点检测。与以前的方法不同，我们的方法是大小不可知的，既不需要关于网络的大小和结构的先验知识，也不需要随着时间的推移获得历史信息或节点身份。我们使用的合成数据来自动态模型和两个真实的数据集：安然电子邮件交换和Ask-Ubuntu论坛。我们的框架在精确度和召回率方面都取得了成功，并且优于以前的解决方案
2018-09-25 cs.SI physics.soc-ph
Dynamic PageRank using Evolving Teleportation
网络中节点的重要性会随着网络结构的变化以及外部利益的变化而不断波动。我们提出了一个不断发展的PageRank方法的隐形传态适应捕捉外部利益的变化如何影响节点的重要性。这个框架无缝地概括了PageRank，因为如果外部影响停止变化，节点的重要性将收敛到PageRank值。我们证明了在维基百科图和Twitter社交网络上不断发展的隐形传态的有效性。外部兴趣由每个页面每小时的访问者数量和每个用户每月的推文数量给出。
2012-03-27 cs.IR cs.SI math.DS
How Does the Vulnerability of an Evolving Power Grid Change?
本文基于匈牙利电网七十年历史数据，运用复杂网络方法评估电网脆弱性随演化的变化规律。
2021-04-19 cs.SI cs.SY eess.SY
Detecting Stable Communities in Link Streams at Multiple Temporal Scales
链接流模型在广泛的领域中随着时间的推移进行交互。在这种模式下，面临的挑战是有效地挖掘时间和拓扑结构。社区发现和变化点检测是分析这种不断变化的相互作用的最有力的工具之一。在本文中，我们建立在这两个检测稳定的社区结构，确定有意义的社区内的变化点。与现有的动态社区发现算法不同，该方法能够在多个时间尺度上有效地发现稳定的社区。我们测试了我们的方法在合成网络上的有效性，以及从真实社交网络中提取的高分辨率时变网络的联系人。
2019-07-24 cs.SI physics.soc-ph
Benchmark model to assess community structure in evolving networks
检测网络社区结构的时间演化对于识别许多复杂系统内部组织的重大变化至关重要，这些系统可能经历重要的内源性或外源性事件。这种分析可以通过两种方式来完成：将每个快照视为独立的社区检测问题，或者考虑网络的整个演化。在第一种情况下，可以在时间快照上应用静态方法，其对应于短时间窗口中的系统配置，并且之后跨层匹配社区。或者，可以开发专用的动态过程，以便在检测社区时同时考虑多个快照，这使我们能够保持流的记忆。为了检验任何一种方法能在多大程度上捕捉到社区的演变，都需要合适的基准。在这里，我们提出了一个模型，用于生成简单的动态基准图，基于随机块模型。在它们中，时间演化由系统结构在具有内置社区结构的配置之间的周期性振荡组成。我们还提出了扩展的质量比较指数的动态场景。
2015-07-19 cs.SI physics.data-an physics.soc-ph
Clustering Evolving Networks
粗略地说，聚类进化网络的目的是检测随着时间的推移而进化的网络中结构密集的子组。这意味着我们寻找的子组也会进化，与聚类静态网络相比，这会导致许多额外的任务。我们讨论了这些额外的任务和困难，并提出了一个概述目前的方法来解决这些问题。我们专注于在线场景中的聚类方法，即，递增地使用来自先前时间步骤的结构信息以便并入时间平滑性或实现低运行时间的方法。此外，我们描述了一个真实世界的网络和发电机的合成数据，经常用于评估的集合。
2014-01-15 cs.CY cs.SI physics.soc-ph
Detecting Changed-Hands Online Review Accounts
一个有信誉的社交媒体或评论帐户可以是垃圾邮件活动的一个很好的掩护。垃圾邮件发送者在Web上公开购买/出售此类帐户已变得普遍。我们将这些卖出/买入账户称为换手（CH）账户。它们很难被现有的垃圾邮件检测算法检测到，因为它们的垃圾邮件活动是在干净的历史的伪装下。在本文中，我们首先提出了检测CH帐户的问题，然后设计了一个有效的检测算法，该算法利用个人帐户的内容和写作风格的变化，并提出了一种新的特征选择方法，该方法在每个个人帐户内的细粒度级别工作。所提出的方法不仅可以确定帐户是否已转手，而且还可以精确定位变化点。在线评论帐户的实验结果表明，我们的方法的高效率。
2021-06-25 cs.SI
Resolution Limits for Detecting Community Changes in Multilayer Networks
多层网络捕捉跨多个交互模式或尺度的复杂系统的组件之间的成对关系。这些网络的一个重要的中尺度特征是通过它们的社区结构来测量的，社区结构定义了存在于网络层内和网络层之间的强连接节点组。由于层间边缘可以描述不同模式、尺度或时间点之间的关系，因此了解社区如何跨层变化和演变至关重要。在多层网络中检测社区的一种流行方法包括最大化称为模块性的质量函数。然而，在多层设置的模块化功能取决于层间耦合参数，$ω$，以及如何影响社区检测这个参数还没有很好地理解。在这里，我们公开了$ω$的上限，超过该上限，就无法检测到跨层的社区更改。这个上限具有非平凡的，纯粹的多层效应，并作为检测不断发展的社区的分辨率限制。此外，我们建立了一个明确的和以前未发现的单层分辨率参数，$γ$，和层间耦合参数，$ω,$，提供了新的理解的模块化参数空间之间的关系。我们的研究结果不仅代表了新的理论考虑，但也有重要的实际意义，选择层间耦合值时，使用多层网络来模拟真实世界的系统，其社区随时间或模态的变化。
2018-03-09 cs.SI physics.data-an physics.soc-ph
Detecting Changes in Crowdsourced Social Media Images
提出一种面向服务的框架，将众包图像建模为图像服务并利用其非功能属性，通过构建版本树和计算语义差异来检测图像变化，初步实验验证了其有效性。
2023-10-23 cs.SI
Detecting Topological Changes in Dynamic Community Networks
时变（动态）网络（图）的研究对于计算机网络分析具有根本的重要性。已经提出了几种方法来检测显着的结构变化的影响，在一个时间序列的图形。这项工作的主要贡献是一个动态社区图模型的详细分析。该模型是通过添加新的顶点，并将它们随机附加到现有的节点。它是著名的随机块模型的动态扩展。这项工作的目标是检测图动态从正常进化（平衡社区以相同的速度增长）切换到异常行为（社区开始合并）的时间。为了避免将每个图分解为社区的问题，我们使用一个度量来量化作为时间函数的图拓扑的变化。异常的检测成为检验图正在经历重大结构变化的假设之一。除了理论分析的测试统计量，我们进行蒙特卡罗模拟我们的动态图模型，以证明我们的测试可以检测到图拓扑结构的变化。
2017-07-23 cs.DM cs.SI physics.soc-ph
Modeling and detecting change in temporal networks via a dynamic degree corrected stochastic block model
在许多应用中，识别动态交互系统中的异常行为是令人感兴趣的。这种异常的相互作用反映在系统网络表征的结构变化上。我们提出并研究了使用动态版本的度校正随机块模型（DCSBM）进行建模和监测动态网络，经历了显着的结构变化。我们应用统计过程监测技术的DCSBM的估计参数，以确定显着的网络结构变化。将我们的监控策略应用于动态的美国参议院共同投票网络表明，我们能够检测到网络中的显着变化，这些变化反映了共和党和民主党成员之间的凝聚力和两极分化的时间。这些发现为美国两党政治制度的演变提供了有价值的见解。我们的分析表明，动态DCSBM监测程序有效地检测局部和全局的动态网络结构的变化。DCSBM方法是一个更通用的框架，结合了参数随机图模型和统计过程监控技术的网络监控的一个例子。
2016-11-30 cs.SI physics.soc-ph stat.ME
Finding Social Media Trolls: Dynamic Keyword Selection Methods for Rapidly-Evolving Online Debates
California Institute of Technology（加州理工学院）；Stanford University（斯坦福大学）
网络骚扰是一个严重的社会问题。预防在线骚扰需要快速检测骚扰、攻击性和负面的社交媒体帖子。在本文中，我们提出了使用词嵌入模型来识别攻击性和骚扰性的社交媒体消息在两个方面：检测快速变化的主题，以更有效的数据汇集和表示单词语义在不同的领域。我们证明了初步的结果，使用GloVe（全局矢量词表示）模型有利于发现新的和相关的关键字用于数据汇集和拖钓检测。我们的论文最后讨论了进一步开发和测试词嵌入模型以识别社交媒体骚扰和拖钓的研究议程。
2019-11-16 cs.CY cs.LG cs.SI
Graph based Entropy for Detecting Explanatory Signs of Changes in Market
The University of Tokyo（东京大学）
基于图的熵，其分布到部分的共现图的事件的多样性的指数，提出了用于检测的结构变化的迹象，在解释消费者行为的潜在动态的数据是信息。为了获得基于图的熵，首先从数据中的项的同现图获得连通子图。然后，在这些子图的数据中的事件中发生的项目的分布反映在基于图的熵的值。对于销售位置的数据，这一价值的变化被视为消费者利益出现、分离、消失或统一的标志。这些现象被认为是消费者行为动态变化的标志，可能是外部事件和信息的影响。实验表明，基于图的熵优于基线方法，可用于变化检测，在解释实质性的变化和他们的迹象，消费者在超市商店的商品偏好。
2018-11-06 cs.AI cs.CY cs.SI
Detecting Emerging Symptoms of COVID-19 using Context-based Twitter Embeddings
University of Pennsylvania（宾夕法尼亚大学）；Stonybrook University（石溪大学）；Stanford University（斯坦福大学）
在本文中，我们提出了一种基于迭代图的方法来检测COVID-19的症状，其病理学似乎正在演变。更一般地说，该方法可以应用于在大型不平衡语料库（例如，所有提到#COVID-19的推文）中查找上下文特定的单词和文本（例如，症状提及）。鉴于COVID-19的新颖性，我们还测试了所提出的方法是否适用于检测药物不良反应（ADR）的问题。我们发现，应用于Twitter数据的方法可以在疾病控制中心（CDC）报告之前检测到症状提及。
2020-11-08 cs.CL cs.HC cs.SI
Explaining GNN over Evolving Graphs using Information Flow
BUPT（北京邮电大学）；Lehigh University（理海大学）
图在许多应用中是普遍存在的，诸如社交网络、知识图谱、智能电网等。图神经网络（GNN）是这些应用的当前最先进技术，但对人类来说仍然是模糊的。解释GNN预测可以增加透明度。然而，由于许多图不是静态的，而是不断发展的，因此解释两个图快照之间的预测变化是不同的，但同样重要。现有方法仅解释静态预测或生成用于动态预测的粗略或不相关的解释。我们定义了解释不断发展的GNN预测的问题，并提出了一个公理化的属性方法，唯一地分解预测的变化到计算图上的路径。涉及高度节点的许多路径的属性仍然无法解释，而简单地选择最重要的路径可能在近似变化方面是次优的。我们制定了一个新的凸优化问题，以最佳地选择解释预测演化的路径。理论上，我们证明了现有的基于层相关传播（LRP）的方法是所提出的算法的一个特殊情况下，空图相比。从经验上讲，在七个图形数据集上，使用一种用于评估预测变化解释的新度量，我们证明了所提出的方法优于现有方法，包括LRP，DeepLIFT和其他路径选择方法。
2021-11-19 cs.AI cs.LG cs.SI
Detecting fake accounts through Generative Adversarial Network in online social media
本文提出利用生成对抗网络和用户相似性度量，在Twitter数据集中检测假冒账户，实现了80%的AUC分类率。
2025-02-08 cs.AI cs.LG cs.SI
